10 个 Docker 项目灵感：从入门到高级

中级 Docker 项目

以下项目适合已扎实掌握 Docker 基础的读者。这些项目将引入更复杂的概念，例如多阶段构建和优化技术。

项目 4：为 Node.js 应用进行多阶段构建

多阶段构建通过分离构建环境与运行环境，有助于减小 Docker 镜像体积。在此项目中，您将使用多阶段构建来容器化一个 Node.js 应用。

难度等级： 中级

使用技术： Docker、Node.js、Nginx

分步说明

• 创建一个简单的 Node.js 应用： 编写一个返回简单消息的基础 Node.js 服务器。示例如下：

const express = require('express');
const app = express();
 
app.get('/', (req, res) => res.send('Hello from Node.js'));
 
app.listen(3000, () => console.log('Server running on port 3000'));技术支持

• 编写带有多阶段构建的 Dockerfile： 第一阶段用于构建应用，第二阶段使用更轻量的基础镜像来运行应用。

# Stage 1: Build
FROM node:14 as build-stage
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
# Add the following line if there's a build step for the app
# RUN npm run build

# Stage 2: Run
FROM node:14-slim
WORKDIR /app
COPY --from=build-stage /app .
EXPOSE 3000
ENV NODE_ENV=production
CMD ["node", "server.js"]技术支持

• 构建镜像：

docker build -t node-multi-stage .技术支持

• 运行容器：

docker run -p 3000:3000 node-multi-stage技术支持

项目 5：使用 TensorFlow 将机器学习模型容器化

本项目将使用 TensorFlow 对机器学习模型进行容器化。目标是创建一个可移植的环境，使您能够在不同系统上运行 TensorFlow 模型，而无需担心底层环境配置。

难度等级： 中级

使用技术： Docker、TensorFlow、Python

分步说明

• 在 Python 脚本中安装 TensorFlow： 创建 model.py 脚本，加载并运行预训练的 TensorFlow 模型：

import tensorflow as tf
model = tf.keras.applications.MobileNetV2(weights='imagenet')
print("Model loaded successfully")技术支持

• 编写 Dockerfile： 在 Docker 中定义 TensorFlow 的运行环境：

FROM tensorflow/tensorflow:latest
WORKDIR /app
COPY . .
CMD ["python", "model.py"]技术支持

• 构建镜像：

docker build -t tensorflow-model .技术支持

• 运行容器：

docker run tensorflow-model技术支持

项目 6：使用 Jupyter 和 Docker 创建数据科学环境

本项目聚焦于使用 Docker 和 Jupyter 笔记本创建可复现的数据科学环境。该环境将包含诸如 pandas、NumPy 和 scikit-learn 等常用 Python 库。

难度等级： 中级

使用技术： Docker、Jupyter、Python、scikit-learn

分步说明

• 创建 docker-compose.yml 文件： 定义 Jupyter Notebook 服务及所需库。示例如下：

version: '3'
services:
  jupyter:
    	image: jupyter/scipy-notebook
    	ports:
    	- "8888:8888"
    	volumes:
    	- ./notebooks:/home/joelwembo/work技术支持

• 启动 Jupyter Notebook： 使用 Docker Compose 启动 Jupyter Notebook。

docker-compose up技术支持

• 访问 Jupyter Notebook： 打开浏览器并访问 http://localhost:8888。

高级 Docker 项目

这些高级项目将聚焦于真实场景与进阶 Docker 概念，例如深度学习流水线与自动化数据管道。

项目 7：为 Python 应用缩小 Docker 镜像体积

在该项目中，您将通过使用 Alpine Linux 等最小化基础镜像，并采用多阶段构建来尽可能减小 Python 应用的镜像体积。

难度等级： 高级

使用技术： Docker、Python、Alpine Linux

分步说明

• 编写 Python 脚本： 创建一个使用 pandas 进行数据分析的脚本。示例如下：

import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())技术支持

• 优化 Dockerfile： 使用多阶段构建与 Alpine Linux 来创建轻量级镜像。

# Stage 1: Build stage
FROM python:3.9-alpine as build-stage
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY script.py .

# Stage 2: Run stage
FROM python:3.9-alpine
WORKDIR /app
COPY --from=build-stage /app/script.py .
CMD ["python", "script.py"]
技术支持

• 构建镜像：

docker build -t optimized-python-app .技术支持

项目 8：使用 PyTorch 将深度学习流水线容器化

本项目使用 PyTorch 将深度学习流水线容器化。重点在于优化 Dockerfile 的性能与体积，使得在不同环境中运行深度学习模型更加便捷。

难度等级： 高级

使用技术： Docker、PyTorch、Python

分步说明

• 在 Python 脚本中安装 PyTorch： 创建一个加载预训练 PyTorch 模型并进行推理的脚本。示例如下：

import torch
model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)
print("Model loaded successfully")技术支持

• 编写 Dockerfile： 定义 PyTorch 的运行环境：

FROM pytorch/pytorch:1.9.0-cuda11.1-cudnn8-runtime
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY model.py .
CMD ["python", "model.py"]技术支持

• 构建镜像：

docker build -t pytorch-model .技术支持

• 运行容器：

docker run pytorch-model 技术支持

项目 9：使用 Apache Airflow 和 Docker 自动化数据管道

在此项目中，您将搭建并容器化一个 Apache Airflow 环境以实现数据管道自动化。Apache Airflow 是数据工程领域广泛使用的复杂工作流编排工具。

难度等级： 高级

使用技术： Docker、Apache Airflow、Python、PostgreSQL

分步说明

• 创建 docker-compose.yml 文件： 定义 Airflow 服务和 PostgreSQL 数据库：

version: '3'
services:
  postgres:
    image: postgres:latest
    environment:
      POSTGRES_USER: airflow
      POSTGRES_PASSWORD: airflow
      POSTGRES_DB: airflow
    ports:
      - "5432:5432"
    volumes:
      - postgres_data:/var/lib/postgresql/data

  webserver:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
    ports:
      - "8080:8080"
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["webserver"]

  scheduler:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
      - webserver
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["scheduler"]

volumes:
  postgres_data:技术支持

• 启动 Airflow 环境： 使用 Docker Compose 启动 Airflow 环境：

docker-compose up技术支持

• 访问 Airflow 界面： 打开浏览器并访问 http://localhost:8080。

项目 10：使用 FastAPI 和 Docker 部署数据科学 API

构建并部署一个使用 FastAPI 的数据科学 API。您将使用 Docker 对 API 进行容器化，并重点针对生产环境进行优化。

难度等级： 高级

使用技术： Docker、FastAPI、Python、scikit-learn

分步说明

• 编写 FastAPI 应用： 创建一个使用机器学习模型进行预测的简单 API。示例如下：

from fastapi import FastAPI
import pickle
 
app = FastAPI()
with open("model.pkl", "rb") as f:
   model = pickle.load(f)
 
@app.post("/predict/")
def predict(data: list):
   return {"prediction": model.predict(data)}技术支持

• 编写 Dockerfile： 创建一个定义 FastAPI 运行环境的 Dockerfile：

FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]技术支持

• 构建镜像：

docker build -t fastapi-app .技术支持

• 运行容器：

docker run -p 8000:8000 fastapi-app技术支持

开展 Docker 项目的提示

在实践这些项目时，请牢记以下建议：

• 从小处开始： 先从略有挑战的项目入手，再逐步迈向更复杂的任务。通过相对简单的任务建立信心至关重要。
• 记录您的进展： 对项目进行详细记录，以便追踪学习历程，并作为今后参考。
• 加入 Docker 社区： 参与在线论坛和本地聚会，分享经验、提出问题并向他人学习。
• 大胆试验与自定义： 不要害怕对项目进行调整，尝试不同方法，并探索新的 Docker 特性。
• 持续学习： 通过探索 Kubernetes、Docker Swarm 或微服务架构等进阶主题与工具，不断扩展您的 Docker 知识。

结语

掌握 Docker 不仅仅是学习命令和配置，更在于理解 Docker 如何融入现代应用开发、数据科学工作流与基础设施管理。

本指南分享的项目为您提供了构建基础技能与实践经验的思路，帮助您在真实场景中不断精进。

此时，我建议通过以下课程来巩固您的知识：

• Intermediate Docker
• Introduction to Kubernetes