Whats-Up-Docker项目中LSCR镜像仓库的OCI清单获取问题分析
在容器化技术日益普及的今天,Docker镜像的管理和版本控制变得尤为重要。Whats-Up-Docker作为一个监控Docker镜像更新的工具,其核心功能之一就是从各种镜像仓库获取镜像的清单信息。本文将深入分析该工具在处理LSCR.io镜像仓库时遇到的OCI清单获取问题及其解决方案。
问题背景
Whats-Up-Docker项目中的Registry.js模块负责与各种Docker镜像仓库进行交互。当调用getImageManifestDigest方法并传入digest参数时,针对lscr.io仓库会出现错误提示:"OCI manifest found, but Accept header does not support OCI"。这表明工具能够找到OCI格式的清单,但当前的HTTP请求头不支持这种格式。
技术原理
Docker镜像清单主要有两种格式:
- Docker格式:使用
application/vnd.docker.distribution.manifest.v2+json等MIME类型 - OCI格式:使用
application/vnd.oci.image.manifest.v1+json等MIME类型
类似地,清单列表(用于多架构镜像)也有对应的两种格式。现代镜像仓库如lscr.io可能默认返回OCI格式的清单,而Whats-Up-Docker原有的Accept头仅包含了Docker格式的支持。
解决方案
修复方案是在HTTP请求的Accept头中添加对OCI格式的支持。具体修改包括在现有的Accept头值中增加两个新的MIME类型:
application/vnd.oci.image.index.v1+json:OCI格式的清单列表application/vnd.oci.image.manifest.v1+json:OCI格式的单架构清单
这样修改后,工具就能正确处理lscr.io仓库返回的OCI格式清单了。
实现细节
修改后的Registry.js代码会在请求镜像清单时发送包含四种MIME类型的Accept头,确保兼容各种镜像仓库的返回格式:
const responseManifests = await this.callRegistry({
image,
url: `${image.registry.url}/${image.name}/manifests/${tagOrDigest}`,
headers: {
Accept: 'application/vnd.docker.distribution.manifest.list.v2+json, application/vnd.oci.image.index.v1+json, application/vnd.docker.distribution.manifest.v2+json, application/vnd.oci.image.manifest.v1+json',
},
});
总结
这个问题的解决体现了容器生态系统中格式兼容性的重要性。随着OCI标准越来越普及,工具开发者需要考虑同时支持Docker和OCI两种格式。Whats-Up-Docker通过扩展Accept头的方式优雅地解决了这个问题,既保持了向后兼容性,又增加了对新标准的支持。这种解决方案也适用于其他需要与多种镜像仓库交互的Docker相关工具开发。
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。C094
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