Earthly项目中SAVE命令在目标链中的行为解析
2025-05-19 12:13:35作者:俞予舒Fleming
概述
在Earthly构建系统中,SAVE IMAGE和SAVE ARTIFACT命令的行为可能会让开发者感到困惑。本文将通过实际案例深入分析这些命令在不同目标链中的表现,帮助开发者更好地理解Earthly的构建机制。
核心问题分析
Earthly构建系统中的SAVE命令(包括SAVE IMAGE和SAVE ARTIFACT)在目标链中的行为遵循特定规则:
- 直接调用:当直接调用包含SAVE命令的目标时,命令会正常执行
- 目标链调用:通过其他目标间接调用时,SAVE命令的行为会发生变化
典型场景测试
测试案例1:基础目标链
考虑以下Earthfile结构:
VERSION 0.8
docker:
FROM ubuntu:22.04
SAVE IMAGE earthly-test:latest
build:
FROM +docker
COPY --dir input ./
SAVE ARTIFACT input AS LOCAL output
all:
BUILD +build
执行不同命令时的结果:
+all:不创建镜像,但创建输出目录+build:不创建镜像,但创建输出目录+docker:创建镜像,不创建输出目录
测试案例2:扩展目标链
扩展后的Earthfile结构:
VERSION 0.8
docker:
FROM ubuntu:22.04
SAVE IMAGE earthly-test:latest
build:
FROM +docker
COPY --dir input ./
SAVE ARTIFACT input AS LOCAL output
tests:
FROM +build
all:
BUILD +tests
执行结果变化:
+all和+tests:既不创建镜像也不创建输出目录+build:不创建镜像但创建输出目录+docker:创建镜像但不创建输出目录
行为原理解析
Earthly构建系统中SAVE命令的行为遵循以下核心原则:
- BUILD命令是关键:只有通过BUILD命令形成的目标链才会触发SAVE命令的执行
- FROM命令的局限性:FROM命令不会触发被引用目标中的SAVE命令执行
- 链式传播特性:SAVE效果只能通过BUILD命令在目标链中传播
解决方案与实践
要确保SAVE命令在目标链中正确执行,应采用以下模式:
VERSION 0.8
docker:
FROM ubuntu:22.04
SAVE IMAGE earthly-test:latest
build:
BUILD +docker
FROM +docker
COPY --dir input ./
SAVE ARTIFACT input AS LOCAL output
tests:
BUILD +build
all:
BUILD +tests
这种模式的关键点:
- 在需要SAVE效果传播的目标中显式使用BUILD命令
- 同时使用FROM命令获取构建环境
- 确保目标链中的每个环节都通过BUILD连接
高级技巧:函数封装
对于需要频繁使用的BUILD+FROM组合,可以封装为函数:
BUILD_AND_FROM:
FUNCTION
ARG target
BUILD --pass-args $target
FROM --pass-args $target
build:
DO +BUILD_AND_FROM --target=+docker
COPY --dir input ./
SAVE ARTIFACT input AS LOCAL output
这种方法提高了代码的复用性和可读性。
总结
理解Earthly中SAVE命令的行为机制对于构建复杂的多阶段构建流程至关重要。开发者应记住:
- BUILD命令是SAVE效果传播的必要条件
- 在需要SAVE效果时,必须显式使用BUILD命令
- 合理组织目标链结构可以确保构建产物按预期生成
通过掌握这些原则,开发者可以更高效地利用Earthly构建系统,避免常见的构建产物丢失问题。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
3D动漫渲染与卡通风格实现:Poiyomi Toon Shader全解析7个颠覆性技巧:用Virt-Manager实现虚拟机管理效率倍增告别会议截止日焦虑:AI Deadlines让全球学术日程管理化繁为简3个步骤掌握ESP32音频开发:从硬件连接到物联网音频方案突破设备限制:VR-Reversal解锁3D视频新玩法——普通设备实现自由视角观看的技术方案开源工具G-Helper启动优化与故障解决指南4大维度破解地理空间智能难题:面向研究者与从业者的AI工具指南3步掌握英雄联盟回放深度分析:从安装到战术拆解Windows驱动签名绕过与内核工具实践指南CyberdropBunkrDownloader:多平台文件下载工具全解析
项目优选
收起
暂无描述
Dockerfile
675
4.31 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
946
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212