Docker基础入门:容器与镜像核心概念解析
前言
本文基于docker-workshop项目中的基础教程部分,将深入浅出地讲解Docker最核心的两个概念:容器(Container)和镜像(Image)。通过本文,您将掌握Docker的基本操作原理,为后续的容器化开发打下坚实基础。
容器初体验
容器是Docker最基础也是最重要的组成部分。我们可以将其理解为一个轻量级的、隔离的进程环境。让我们从最简单的例子开始:
docker run hello-world
这条命令会运行一个简单的测试容器,输出"Hello from Docker!"等信息。执行后,我们可以查看容器状态:
docker ps -a
注意这里使用了-a参数,因为默认docker ps只显示正在运行的容器,而hello-world容器执行完就退出了。
深入容器内部
要查看容器的详细信息,可以使用:
docker inspect <container-id>
这个命令会返回JSON格式的详细配置信息,包括网络设置、挂载卷、环境变量等。
运行完整操作系统容器
让我们尝试运行一个Ubuntu容器:
docker run ubuntu:18.04
这里我们指定了版本号18.04,这是Docker镜像标签的常见用法。执行后会发现容器立即退出,这是因为容器需要一个前台进程才能保持运行。
交互式运行容器
要让容器保持运行并与之交互,需要使用-it参数:
docker run -it ubuntu:18.04
参数说明:
-i:保持STDIN打开,允许交互-t:分配一个伪终端(TTY)
现在我们就进入了容器内部的bash shell,可以执行各种Linux命令。退出只需输入exit。
容器生命周期关键点
容器的一个重要特性是:它只在前台进程运行时存在。当PID为1的主进程退出时,容器就会停止,即使容器内还有其他后台进程在运行。
镜像详解
镜像是创建容器的模板,可以类比面向对象编程中的"类",而容器则是这个"类"的"实例"。
查看本地镜像
docker images
这个命令会列出本地存储的所有Docker镜像,包括仓库名、标签、镜像ID、创建时间和大小等信息。
拉取新镜像
我们可以从公共仓库获取新镜像:
docker pull mongo
这会将MongoDB的官方镜像下载到本地。第一次运行某个镜像时,Docker会自动执行pull操作,这也是为什么第一次运行ubuntu:18.04会比较慢的原因。
镜像与容器的关系
- 镜像是静态的模板文件
- 容器是镜像的运行实例
- 一个镜像可以创建多个容器
- 容器运行时会在镜像层之上添加一个可写层
最佳实践建议
- 明确指定镜像版本:避免使用latest标签,明确指定如
ubuntu:18.04这样的版本号 - 清理无用容器:定期使用
docker container prune清理停止的容器 - 查看镜像历史:使用
docker history <image>了解镜像的构建过程 - 理解分层存储:Docker镜像采用分层存储机制,相同层可以共享,节省空间
总结
通过本文,我们掌握了Docker最核心的两个概念:容器是运行中的进程环境,镜像是创建容器的模板。理解这两者的关系和工作原理,是学习Docker技术的基础。后续可以进一步学习如何构建自定义镜像、管理容器网络和数据持久化等进阶主题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00