Docker Build-Push Action v6 与下载构建产物兼容性问题解析
在 Docker 生态系统中,build-push-action 是一个广泛使用的 GitHub Action,用于构建和推送 Docker 镜像。最新发布的 v6 版本引入了一项新功能——构建摘要(build summary)记录,这项功能会在构建过程中自动上传一个 .dockerbuild 文件作为 GitHub 工作流产物(artifact)。
问题现象
当用户将 build-push-action 升级到 v6 版本后,如果在后续步骤中使用 actions/download-artifact@v4 下载所有工作流产物时,会遇到下载失败的错误提示:"Unable to download artifact(s): Unable to download and extract artifact: Artifact download failed after 5 retries"。
问题根源
深入分析发现,问题的本质在于:
- build-push-action v6 默认会上传构建记录文件(
.dockerbuild),这是一个 gzip 压缩格式的文件 - actions/download-artifact@v4 在下载所有产物时,会尝试将所有产物当作 ZIP 文件处理
- 当遇到非 ZIP 格式的
.dockerbuild文件时,下载过程会反复重试并最终失败
解决方案
目前有三种可行的解决方案:
方案一:完全禁用构建摘要功能
通过设置环境变量 DOCKER_BUILD_NO_SUMMARY=true 可以完全禁用构建摘要功能,这样就不会上传 .dockerbuild 文件。
方案二:仅禁用构建记录上传
从 build-push-action v6.3.0 开始,可以通过设置 DOCKER_BUILD_RECORD_UPLOAD=false 来仅禁用构建记录上传,同时保留其他摘要功能。
方案三:精确指定下载的产物名称
在使用 actions/download-artifact@v4 时,明确指定需要下载的产物名称,避免自动下载所有产物。例如:
steps:
- uses: actions/download-artifact@v4
with:
name: your-specific-artifact-name
最佳实践建议
- 如果工作流中不需要构建摘要功能,建议完全禁用以减少不必要的产物上传
- 如果只需要部分摘要功能而不需要记录上传,使用方案二更为合适
- 在使用下载产物功能时,尽量明确指定产物名称,避免自动下载所有产物
- 定期检查 GitHub Action 的更新日志,了解新版本可能引入的兼容性变化
技术背景
GitHub Actions 的产物系统设计用于存储和共享工作流运行期间生成的文件。默认情况下,actions/download-artifact@v4 会尝试将所有产物当作 ZIP 文件处理,这是为了兼容大多数使用场景。然而,当遇到非 ZIP 格式的产物时,这种假设就会导致问题。
build-push-action v6 引入的构建摘要功能使用 gzip 格式存储构建记录,这是为了优化存储空间和传输效率。两种不同格式的冲突导致了兼容性问题。
未来展望
随着 GitHub Actions 生态系统的演进,预计会有更完善的机制来处理不同类型的产物格式。目前,用户需要根据实际需求选择合适的解决方案来规避兼容性问题。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00