推荐使用:GHCR 容器保留策略 —— 您的容器清理专家
GitHub 的容器注册表是现代开发流程中不可或缺的一环,但随着时间推移,未使用的旧镜像版本会占用宝贵的存储空间,造成资源浪费和管理难题。今天,我向大家强烈推荐一个开源项目——“GHCR Container Retention Policy”,这是一款专门为GitHub Actions设计的自动化工具,用于删除GitHub容器注册表中的过时容器图像。
项目介绍
GHCR Container Retention Policy 是一款基于GitHub Action构建的实用程序,旨在帮助开发者自动清除GitHub容器注册表上的陈旧或不活跃的镜像版本。它通过设定灵活的时间戳标准来精确控制哪些版本可以安全地被删除,并支持组织和个人账户的不同需求场景。无论是定期清理还是事件触发清理,该项目都提供了一种高效且可定制的方法,确保您的注册表保持清洁状态。
项目技术分析
核心功能与实现
GHCR Container Retention Policy 使用个人访问令牌(PAT)或GitHub令牌进行身份验证,以获取对容器注册表的操作权限。其关键特性在于能够按照指定规则筛选并删除符合特定条件的老化容器镜像,例如按时间范围(如两周前)、按标签格式或是无标签的镜像等。
技术亮点
- 灵活的时间切割点设置:允许使用相对自然语言的时间表达式,比如“两周前UTC”。
- 智能过滤系统:可以通过不同的标签模式以及是否带有标签进行过滤。
- 多层级保护机制:包括至少保留一定数量的最近版本作为备份,以防止误删重要版本。
- 干运行测试:在不实际执行删除操作的情况下预览将会被删除的图像列表,提高了安全性。
高效性与兼容性
该工具不仅适用于个人账户,也完美适配了组织级别的使用环境,能够在满足大规模操作的同时保证效率。此外,借助于GitHub Workflows的强大框架,GHCR Container Retention Policy 可以轻松集成到现有的工作流中,无论是在定时任务、手动触发还是其他工作流完成后作为清理步骤运行。
项目及技术应用场景
企业级应用示例
对于大型组织而言,GHCR Container Retention Policy 能够帮助企业自动化管理和优化容器镜像库。它可以按部门或项目需求配置多种保留政策,比如每天午夜自动删除一周内未更新的所有开发环境容器镜像,或者每个月初清理所有超过一个月没有活动记录的测试容器镜像。
开发者日常维护
对于个人开发者或小团队来说,该工具同样能发挥重要作用。只需简单地将其添加到GitHub Workflow中,即可每月一次地批量清理不再需要的历史镜像版本,减少不必要的存储费用支出。
版本差异化处理
针对不同类型(如正式版、预发布版)的容器镜像,开发者可以根据具体需求设定差异化的保留周期与数量限制,有效地平衡了灵活性与资源节约。
项目特点
- 高度定制性:提供了丰富的参数配置选项,从命名匹配、时间阈值设定,再到版本标签过滤,几乎涵盖了所有可能的应用场景。
- 无缝集成体验:直接利用GitHub Workflows的调度和事件触发机制,实现了即插即用式的快速部署和自动化执行。
- 安全保障措施:支持“最少保留X个版本”的弹性设置,避免重要数据的意外丢失;同时还可通过干运行功能先模拟后执行,进一步保障了数据安全。
总结来看,GHCR Container Retention Policy 不仅是一个技术上的创新实践,更是应对日益膨胀的容器仓库挑战的有效解决方案。它的出现不仅简化了容器镜像管理的复杂度,还极大地节省了云存储成本,提升了运维效率。不论是对于个人用户还是企业团队,这都是一个值得尝试和信赖的开源项目。立即加入我们,体验更高效的容器生命周期管理吧!
如果您正在寻找一种既高效又灵活的方式来管理GitHub容器注册表中的镜像,不妨试试 GHCR Container Retention Policy ,相信它定能让您的容器镜像管理工作事半功倍!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00