Cách học Docker từ con số 0: Hướng dẫn dành cho chuyên gia dữ liệu

Bước 3: Chạy container đầu tiên của bạn

Sau khi đã cài Docker, đã đến lúc chạy container đầu tiên của bạn. Chúng ta sẽ bắt đầu với image đơn giản hello-world, rất phù hợp cho người mới.

1. Mở terminal (hoặc Command Prompt trên Windows) và chạy lệnh sau:

sudo docker run hello-world

Lệnh này yêu cầu Docker tìm image hello-world trong máy. Nếu không có, Docker sẽ kéo image từ Docker Hub và chạy nó.

Nếu Docker được cài đặt đúng, bạn sẽ thấy thông điệp “Hello from Docker!” cùng các chi tiết về cách Docker hoạt động. Kết quả này xác nhận Docker đã kéo image thành công, tạo container mới và thực thi mã bên trong.

Bước 4: Xây dựng Docker image đầu tiên

Ở bước này, bạn sẽ tạo một Docker image tùy chỉnh cho dự án khoa học dữ liệu đơn giản. Image này sẽ bao gồm Python và các thư viện dữ liệu phổ biến như pandas, NumPy và scikit-learn.

1. Tạo thư mục mới:

• • Bắt đầu bằng cách tạo thư mục cho dự án và truy cập vào đó:

mkdir my-data-science-app
cd my-data-science-app

2. Tạo Dockerfile:

Trong thư mục này, tạo tệp tên Dockerfile (không có phần mở rộng):

# Use an official Python runtime as a parent image
FROM python:3.8-slim
 
# Set the working directory in the container
WORKDIR /app
 
# Copy the current directory contents into the container at /app
COPY . /app
 
# Install any needed packages specified in requirements.txt
RUN pip install --no-cache-dir -r requirements.txt
 
# Make port 8888 available to the world outside this container
EXPOSE 8888
 
# Run a Jupyter notebook server when the container launches
CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]

Dockerfile trên thực hiện những việc sau:

• FROM python:3.8-slim: Đặt image nền là Python 3.8 bản slim, tối giản, phù hợp cho môi trường khoa học dữ liệu gọn nhẹ.
• WORKDIR /app: Thiết lập thư mục làm việc trong container là /app. Mọi lệnh tiếp theo sẽ chạy trong thư mục này.
• COPY . /app: Sao chép toàn bộ tệp từ thư mục hiện tại trên máy chủ vào thư mục /app trong container. Thường gồm script và tệp cấu hình của bạn.
• RUN pip install --no-cache-dir -r requirements.txt: Cài các thư viện Python được liệt kê trong requirements.txt. Các thư viện phổ biến gồm pandas, NumPy và scikit-learn.
• EXPOSE 8888: Mở cổng 8888 cho máy chủ có thể truy cập, là cổng mặc định của Jupyter Notebook.
• CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]: Khởi chạy máy chủ Jupyter Notebook khi container start, cho phép truy cập qua trình duyệt.

3. Tạo tệp requirements.txt:

Trong cùng thư mục, tạo tệp requirements.txt để liệt kê các gói Python mà ứng dụng cần:

pandas
numpy
scikit-learn
matplotlib

Tệp này liệt kê các thư viện Python sẽ được cài trong container Docker của bạn.

4. Xây dựng Docker image:

• Khi đã có Dockerfile và requirements.txt, hãy xây image bằng lệnh sau:

sudo docker build -t my-data-science-app .

Lệnh trên thực hiện:

• docker build: Bắt đầu quá trình xây dựng Docker image.
• -t my-data-science-app: Tùy chọn -t gắn thẻ image là “my-data-science-app”.
• .: Dấu chấm cuối chỉ định ngữ cảnh build là thư mục hiện tại. Docker sẽ dùng các tệp trong thư mục này để xây image.

5. Chạy Docker image:

Sau khi build xong, bạn có thể chạy image mới dưới dạng container:

sudo docker run -p 8888:8888 my-data-science-app

Phân tích lệnh:

• docker run: Chạy một container từ image chỉ định.
• -p 8888:8888: Tùy chọn -p ánh xạ cổng 8888 trên máy bạn tới cổng 8888 trong container, cho phép truy cập Jupyter Notebook bằng cách vào localhost:8888 trên trình duyệt.
• my-data-science-app: Chỉ định image sẽ chạy.

Bước 5: Sử dụng Docker Compose

Docker Compose là công cụ thiết yếu để quản lý ứng dụng nhiều container. Trong một dự án khoa học dữ liệu, bạn có thể cần các container riêng cho từng thành phần, như Jupyter Notebook, cơ sở dữ liệu lưu trữ dữ liệu và công cụ trực quan hóa.

Docker Compose cho phép bạn định nghĩa các dịch vụ đó trong một tệp YAML duy nhất, giúp khởi động toàn bộ môi trường với một lệnh đơn giản.

1. Tạo tệp docker-compose.yml:

• Trong thư mục dự án, tạo tệp docker-compose.yml và viết các dòng sau:

version: '3.8'
services:
  jupyter:
        image: jupyter/scipy-notebook:latest
        volumes:
        - ./notebooks:/home/joelwembo/work
        ports:
        - "8888:8888"
        environment:
        - JUPYTER_ENABLE_LAB=yes
 
  postgres:
        image: postgres:13-alpine
        environment:
        POSTGRES_USER: myuser
        POSTGRES_PASSWORD: mypassword
        POSTGRES_DB: mydatabase
        volumes:
        - postgres_data:/var/lib/postgresql/data
        ports:
        - "5432:5432"
 
  redis:
        image: redis:alpine
        ports:
        - "6379:6379"
 
volumes:
  postgres_data:
 

Phân tích tệp Docker Compose:

• version: '3.8': Chỉ định phiên bản định dạng tệp Docker Compose. Bản 3.8 được dùng phổ biến và hỗ trợ nhiều tính năng.
• services:: Mục này định nghĩa các container (dịch vụ) cấu thành ứng dụng của bạn.
• jupyter:: Dịch vụ này đại diện cho môi trường Jupyter Notebook phục vụ phân tích dữ liệu tương tác.
• image: jupyter/scipy-notebook:latest: Chỉ định image cho Jupyter, bao gồm các thư viện như NumPy, pandas và matplotlib.
• volumes: - ./notebooks:/home/joelwembo/work: Gắn thư mục notebooks trên máy sang /home/joelwembo/work trong container, giúp lưu và chia sẻ notebook. Lưu ý: Đây là đường dẫn cá nhân của tôi, của bạn sẽ khác.
• ports: - "8888:8888": Ánh xạ cổng 8888 trên máy tới cổng 8888 trong container, là cổng mặc định của Jupyter Notebook.
• environment: - JUPYTER_ENABLE_LAB=yes: Bật JupyterLab, giao diện mạnh hơn cho Jupyter.
• postgres:: Dịch vụ chạy cơ sở dữ liệu PostgreSQL, thường dùng để lưu trữ và quản lý dữ liệu lớn trong dự án khoa học dữ liệu.
• image: postgres:13-alpine: Chỉ định image PostgreSQL phiên bản 13 trên nền Alpine Linux gọn nhẹ.
• environment:: Các biến môi trường cấu hình cơ sở dữ liệu với người dùng, mật khẩu và tên cơ sở dữ liệu.
• volumes: - postgres_data:/var/lib/postgresql/data: Gắn một volume để lưu dữ liệu DB bên ngoài container, tránh mất dữ liệu khi container dừng.
• ports: - "5432:5432": Ánh xạ cổng 5432 trên máy tới cổng 5432 trong container, cổng mặc định của PostgreSQL.
• redis:: Dịch vụ chạy Redis, có thể dùng làm kho dữ liệu trong bộ nhớ hoặc bộ nhớ đệm nhanh.
• image: redis:alpine: Chỉ định image Redis bản Alpine gọn nhẹ.
• ports: - "6379:6379": Ánh xạ cổng 6379 trên máy tới cổng 6379 trong container, cổng mặc định của Redis.
• volumes:: Mục này định nghĩa các volume được đặt tên có thể chia sẻ giữa các dịch vụ hoặc lưu dữ liệu qua lần khởi động lại container.
• postgres_data:: Tạo một volume có tên để lưu dữ liệu PostgreSQL.

Để khởi động ứng dụng nhiều container, chỉ cần chạy:

sudo docker compose up

Lệnh này sẽ build image (nếu cần) và khởi động các container được định nghĩa trong tệp docker-compose.yml. Nó khởi chạy cả ứng dụng web và dịch vụ Redis, cho phép chúng giao tiếp theo cấu hình đã định.

Vậy là bạn đã triển khai ứng dụng Docker đầu tiên! Tuyệt vời phải không? Giờ hãy xây dựng kế hoạch học tập liên tục.

Ví dụ kế hoạch học Docker

Dưới đây là kế hoạch theo tuần mà bạn có thể theo. Hãy điều chỉnh cho phù hợp với nhu cầu cụ thể của bạn. 

Nếu bạn cần lộ trình rõ ràng hơn, lộ trình kỹ năng Containerization and Virtualization with Docker and Kubernetes rất phù hợp. Nó gồm bốn khóa học thiết yếu.

Tuần 1: Làm quen với các nền tảng của Docker

• Mục tiêu: Hiểu các khái niệm cốt lõi và lệnh cơ bản của Docker.
• Nhiệm vụ:
• Cài Docker và thiết lập Docker Desktop.
• Học các lệnh Docker: docker run, docker ps, docker stop, docker rm, v.v.
• Chạy các container đơn giản cho công cụ khám phá dữ liệu như Ubuntu hoặc Alpine và thử các lệnh cơ bản.
• Khám phá các image chính thức và chạy container cho công cụ trực quan hóa cơ bản (ví dụ, container matplotlib đơn giản).
• Tài nguyên: Khóa học Containerization and Virtualization Concepts, khóa học Introduction to Docker.

Tuần 2: Xây dựng và chạy Docker image cho các công cụ dữ liệu

• Mục tiêu: Học cách tạo và quản lý image Docker tùy chỉnh.
• Nhiệm vụ:
• Viết Dockerfile cho môi trường phân tích dữ liệu cơ bản (ví dụ: Python với Pandas và NumPy).
• Build image bằng docker build.
• Chạy container từ image tùy chỉnh và thử các công cụ dữ liệu như Jupyter Notebook.
• Tạo Dockerfile cho TensorFlow và PostgreSQL, đảm bảo cấu hình và liên kết đúng.
• Tài nguyên: Khóa học Introduction to Docker.

Tuần 3: Khám phá Docker Compose

• Mục tiêu: Hiểu và sử dụng Docker Compose cho thiết lập nhiều container.
• Nhiệm vụ:
• Cài Docker Compose và học các kiến thức cơ bản.
• Viết tệp docker-compose.yml để định nghĩa ứng dụng nhiều container.
• Thực hành với ví dụ thiết lập ứng dụng web có cơ sở dữ liệu backend (ví dụ: ứng dụng Flask với PostgreSQL).
• Thử nghiệm các cấu hình khác nhau và quan hệ phụ thuộc giữa dịch vụ.
• Tài nguyên: Khóa học Intermediate Docker.

Tuần 4: Đi sâu vào mạng và volume của Docker

• Mục tiêu: Làm chủ khả năng mạng và lưu trữ của Docker.
• Nhiệm vụ:
• Tìm hiểu về các loại mạng Docker và cách tạo (bridge, host, overlay).
• Thực hành tạo mạng tùy chỉnh và kết nối container vào đó.
• Khám phá volume Docker để lưu trữ bền vững và thực hành tạo, quản lý chúng.
• Triển khai thiết lập cho phép container giao tiếp qua mạng tùy chỉnh và dùng volume để lưu dữ liệu lâu dài.
• Tài nguyên: Khóa học Intermediate Docker.

Tuần 5: Triển khai và quản lý container Docker trong môi trường sản xuất

• Mục tiêu: Hiểu việc triển khai và quản trị container trong môi trường sản xuất.
• Nhiệm vụ:
• Học các thực tiễn tốt khi triển khai container (ví dụ: dùng Docker Hub hoặc registry riêng).
• Khám phá điều phối container với Docker Swarm: tạo và quản lý service.
• Hiểu cách mở rộng container và quản lý log.
• Thử triển khai ứng dụng đóng gói bằng container lên môi trường staging hoặc sản xuất.
• Tài nguyên: Khóa học Intermediate Docker.

Tuần 6: Giới thiệu Kubernetes cho điều phối container

• Mục tiêu: Làm quen với Kubernetes để mở rộng và quản lý ứng dụng đóng gói bằng container.
• Nhiệm vụ:
• Cài và thiết lập môi trường Kubernetes cục bộ (ví dụ: Minikube hoặc Kind).
• Học các khái niệm cơ bản của Kubernetes: pod, service, deployment và namespace.
• Triển khai một ứng dụng đóng gói đơn giản trên Kubernetes.
• Khám phá mở rộng và quản lý ứng dụng với Kubernetes, tập trung vào việc vận hành một công cụ dữ liệu như Jupyter.
• Tài nguyên: Khóa học Introduction to Kubernetes.

Mẹo và cách học Docker

Cuối cùng, dưới đây là một số mẹo và thực tiễn tốt giúp bạn tăng tốc quá trình học Docker.

Luyện tập thường xuyên

Chìa khóa để làm chủ Docker là luyện tập thực tế thường xuyên. Bắt đầu với các dự án cá nhân, như đóng gói một website đơn giản hoặc thiết lập môi trường phát triển cục bộ. 

Khi đã quen, hãy thử thách bản thân với các tác vụ phức tạp hơn, như xây dựng ứng dụng nhiều container hoặc triển khai máy chủ web. 

Việc thử nghiệm thường xuyên với các trường hợp sử dụng khác nhau—như tạo image Docker tùy chỉnh hoặc cấu hình một pipeline CI/CD—sẽ giúp bạn đào sâu hiểu biết và củng cố các khái niệm quan trọng. Ngoài ra, tham gia các thử thách hoặc bài tập Docker trực tuyến là cách tuyệt vời để kiểm tra và nâng cao kỹ năng theo phương pháp có mục tiêu, có cấu trúc.

Tận dụng tài nguyên trực tuyến

Các tài nguyên trực tuyến vô cùng hữu ích để học Docker. Tài liệu chính thức của Docker là điểm khởi đầu tuyệt vời, cung cấp thông tin chuẩn xác và cập nhật. 

Ngoài ra, có rất nhiều khóa học toàn diện trên các nền tảng như DataCamp, có thể dẫn dắt bạn xuyên suốt quá trình học. 

Với những ai ưa thích học qua video, các hướng dẫn trên YouTube từ kênh chính thức của Docker và các nhà giáo khác cung cấp nội dung hữu ích, dễ tiếp cận để củng cố hiểu biết của bạn.

Tham gia cộng đồng Docker

Tương tác với cộng đồng Docker cũng là cách mạnh mẽ để nâng cao việc học. Tham gia các diễn đàn như Docker Community Forums và Reddit để trao đổi ý tưởng, đặt câu hỏi và chia sẻ kinh nghiệm với người học và chuyên gia khác. 

Tham dự meetup, hội thảo trực tuyến hoặc hội nghị về Docker cũng giúp bạn cập nhật xu hướng ngành và mở rộng mạng lưới.

Tham gia dự án mã nguồn mở

Đóng góp cho các dự án mã nguồn mở sử dụng Docker là cách tuyệt vời để tích lũy kinh nghiệm thực tế. 

Các nền tảng như GitHub mang đến cơ hội cộng tác trên dự án liên quan đến Docker, cho phép bạn học hỏi từ người khác và áp dụng kỹ năng trong nhiều bối cảnh. Việc cộng tác vốn có của mã nguồn mở giúp bạn tiếp xúc với các cách tiếp cận và giải pháp đa dạng, từ đó hiểu sâu hơn về khả năng của Docker.

Luôn cập nhật

Cuối cùng, việc cập nhật những phát triển mới nhất của Docker rất quan trọng để duy trì năng lực. Theo dõi blog chính thức và ghi chú phát hành của Docker để nắm tính năng mới hoặc thay đổi. Tham gia thảo luận cộng đồng trên diễn đàn và mạng xã hội cũng giúp bạn biết về xu hướng mới và thực tiễn tốt, từ đó liên tục trau dồi kỹ năng Docker.

Với luyện tập thường xuyên, gắn kết cộng đồng và học tập liên tục, bạn sẽ xây nền tảng vững chắc về Docker và sẵn sàng ứng phó với những phát triển mới nhất trong lĩnh vực này.

Kết luận

Docker đã cách mạng hóa việc triển khai ứng dụng và quản lý dữ liệu bằng cách đóng gói ứng dụng và các phụ thuộc vào container tách biệt. Điều này giải quyết các thách thức thường gặp như không nhất quán môi trường, đồng thời đảm bảo quy trình làm việc ổn định, có thể mở rộng và hiệu quả cho các chuyên gia dữ liệu.

Hướng dẫn này đã cung cấp những bước nền tảng để làm chủ Docker, từ khái niệm cốt lõi đến triển khai thực hành. Để đào sâu hơn, hãy tham khảo thêm các tài nguyên như các khóa học Introduction to Docker và Intermediate Docker trên DataCamp. Khi tiến xa hơn, mở rộng kỹ năng với công cụ điều phối như Kubernetes cũng rất quan trọng—hãy xem khóa học Introduction to Kubernetes để bắt đầu.

Luyện tập thường xuyên, tận dụng tài nguyên sẵn có và gắn kết với cộng đồng sẽ giúp bạn khai mở tối đa tiềm năng của Docker trong quản lý môi trường dữ liệu phức tạp.