Docker 容器中的 RabbitMQ 实例教程
Docker 容器中的 RabbitMQ 实例教程
1. 项目的目录结构及介绍
在 docker-library/rabbitmq 仓库中,主要的目录结构如下:
Dockerfile- 这是构建 Docker 镜像的核心文件,包含了如何从基础镜像构建 RabbitMQ 的步骤。3-management- 这个子目录包含了用于构建包含管理界面的 RabbitMQ Docker 镜像的 Dockerfile。3- 该子目录下的 Dockerfile 则用于构建不带管理界面的基础镜像。scripts- 包含了一些脚本,用于初始化 RabbitMQ 配置,例如设置环境变量和启动命令等。.github- 存储 GitHub 相关的自动化配置,如 Workflows。
这些文件和目录共同作用于创建可运行的 Docker 镜像,提供了一个预配置的 RabbitMQ 环境。
2. 项目的启动文件介绍
启动 RabbitMQ 服务主要通过 Docker Compose 或单独运行 Docker 命令来实现。在 Dockerfile 中定义了启动命令,例如:
CMD ["rabbitmq-server"]
这表示当容器启动时,会执行 rabbitmq-server 命令启动 RabbitMQ 服务器。
如果你想要自定义配置,可以使用环境变量。例如,你可以通过 -e RABBITMQ_DEFAULT_USER=admin -e RABBITMQ_DEFAULT_PASS=password 来设置默认的用户名和密码。对于更复杂的设置,可以通过挂载卷的方式将本地的 erlang cookie 和 rabbitmq.conf 文件映射到容器内对应的路径。
使用 Docker 命令示例:
docker run -d --name rabbitmq \
-p 5672:5672 -p 15672:15672 \
-e RABBITMQ_DEFAULT_USER=admin \
-e RABBITMQ_DEFAULT_PASS=password \
docker.io/library/rabbitmq:3-management
3. 项目的配置文件介绍
RabbitMQ 的主要配置文件是 rabbitmq.conf。虽然 Dockerfile 不直接包含此文件,但你可以通过挂载宿主机上的配置文件至容器内的 /etc/rabbitmq/ 路径来应用你的配置。例如:
docker run -v /path/to/your/rabbitmq.conf:/etc/rabbitmq/rabbitmq.conf \
-d --name rabbitmq \
-p 5672:5672 -p 15672:15672 \
-e RABBITMQ_DEFAULT_USER=admin \
-e RABBITMQ_DEFAULT_PASS=password \
docker.io/library/rabbitmq:3-management
rabbitmq.conf 文件里的选项很多,包括绑定端口、集群设置、日志级别等等。具体配置项可以在 RabbitMQ 官方文档 查看。
请注意,RabbitMQ 还依赖一个名为 erlang.cookie 的安全文件,用于节点间的认证。若要跨容器或跨主机创建集群,需要保证所有节点的 erlang.cookie 文件内容相同。这个文件通常位于 /var/lib/rabbitmq/.erlang.cookie,同样可以通过挂载卷来同步。
以上就是基于 docker-library/rabbitmq 的简要教程,希望对你构建和管理 Docker 中的 RabbitMQ 有所帮助。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00