testssl.sh 项目中的 Docker 构建优化探讨
在 testssl.sh 项目的 Docker 构建过程中,开发者们正在讨论如何优化最终的镜像构建阶段。目前 Dockerfile 中包含了两个最终构建阶段:dist-local 和 dist-git,这引发了一些关于最佳实践的思考。
当前构建阶段分析
testssl.sh 的 Docker 构建流程目前提供了两种最终镜像构建方式:
-
dist-local 阶段:这是更传统的构建方式,假设用户已经将代码克隆到本地,然后基于本地文件系统构建镜像。这种方式允许使用
.dockerignore文件来排除不必要的文件,从而减小最终镜像的体积。 -
dist-git 阶段:这个阶段设计用于直接从 Git 仓库构建镜像,无需事先克隆代码到本地。虽然提供了便利性,但实际上这种构建方式在功能上是冗余的,因为同样的效果可以通过调整构建参数来实现。
优化建议
技术讨论中提出了几个优化方向:
-
调整阶段顺序:建议将
dist-local阶段作为默认构建目标,这可以通过简单地调整 Dockerfile 中多阶段构建的顺序来实现。按照 Docker 的惯例,最后一个定义的阶段会自动成为默认构建目标。 -
简化构建流程:考虑到
dist-git阶段的功能可以通过其他方式实现,建议移除这个专门的构建阶段,转而使用更标准的 Docker 构建参数来实现相同的功能。 -
构建体验优化:对于希望直接从 Git 构建的用户,可以提供更简洁的命令行示例,使用标准的 Docker 远程构建功能,而不需要专门的构建阶段。
技术实现细节
如果保留 dist-git 阶段作为可选构建目标,用户可以通过以下方式使用:
docker build \
--tag localhost/testssl.sh:版本号 \
--target dist-git \
--build-arg GIT_BRANCH=分支名 \
.
而如果采用更简化的方案,用户可以直接从远程仓库构建:
docker build --tag localhost/testssl.sh:版本号 https://github.com/testssl/testssl.sh.git#分支名
对于 Alpine 变体,由于需要使用不同的 Dockerfile,命令会稍复杂一些:
docker build \
--tag localhost/testssl.sh:版本号-alpine \
--file https://raw.githubusercontent.com/testssl/testssl.sh/分支名/Dockerfile-alpine \
https://github.com/testssl/testssl.sh.git#分支名
性能与便利性权衡
讨论中也提到了性能与便利性之间的权衡:
- 镜像体积:使用
dist-local方式配合.dockerignore可以最小化镜像体积,大约能节省 8MB 空间。 - 构建便利性:直接从 Git 构建提供了更好的用户体验,特别是对于自动化脚本和 CI/CD 流水线。
- 维护成本:减少特殊的构建阶段可以简化 Dockerfile 的维护工作。
结论
对于大多数用户来说,优先使用 dist-local 阶段作为默认构建目标是一个合理的选择。这不仅符合 Docker 的最佳实践,还能提供更好的构建灵活性。对于那些需要直接从 Git 仓库构建的特殊用例,可以通过标准的 Docker 远程构建功能来实现,而不需要维护专门的构建阶段。这种优化将使项目的 Docker 构建配置更加简洁和易于维护。
kernelopenEuler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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00