WisdomSSH解决因未使用Docker资源导致的磁盘空间不足问题

问题发现

在日常运维中,我注意到服务器的磁盘使用率持续攀升,系统告警提示 / 分区已达到95%的使用上限。为定位问题根源,我首先执行了 df -h 命令,确认根分区确实已严重饱和。

为了深入分析是哪些组件占用了大量空间,我调用了WisdomSSH的诊断功能,执行了 docker system df 命令。输出结果清晰地揭示了问题所在:

复制代码
TYPE            TOTAL     ACTIVE    SIZE      RECLAIMABLE
Images          19        8         11.64GB   9.072GB (77%)
Containers      8         8         2.307MB   0B (0%)
Local Volumes   0         0         0B        0B
Build Cache     55        0         3.317GB   3.317GB

数据显示,虽然有8个容器正在运行(符合预期),但镜像和构建缓存占用的总空间高达约15吉字节,其中可回收空间达12.389吉字节。这表明大量未使用的镜像和构建缓存堆积,是造成磁盘空间紧张的直接原因。

排查与清理过程

步骤一:识别待清理对象

根据 docker system df 的提示,首要任务是找出所有可以安全删除的"无用"资源。我执行了 docker images --filter "dangling=true" 命令,查询所有悬空镜像。输出结果如下:

复制代码
REPOSITORY   TAG       IMAGE ID       CREATED      SIZE
<none>       <none>    216e76326069   4 days ago   2.55GB
<none>       <none>    140038f00beb   4 days ago   2.55GB
...

结果显示存在多个悬空镜像,它们不被任何容器引用,是典型的垃圾数据。

步骤二:执行全面清理

基于上述排查,我决定执行一次全面的系统清理。我使用了 docker system prune -a --volumes 命令,该命令会删除:

  • 所有停止的容器
  • 所有未被任何容器使用的网络
  • 所有未被任何容器使用的匿名数据卷
  • 所有不被任何容器关联的镜像
  • 所有构建缓存

由于此操作不可逆,系统提示需要用户确认。我通过自动化脚本发送确认指令 echo "y" | docker system prune -a --volumes,启动了清理流程。

步骤三:验证清理效果

清理完成后,我再次运行 docker system df 进行最终验证:

复制代码
TYPE            TOTAL     ACTIVE    SIZE      RECLAIMABLE
Images          8         8         4.452GB   74.78MB (1%)
Containers      8         8         2.307MB   0B (0%)
Local Volumes   0         0         0B        0B
Build Cache     0         0         0B        0B

结果令人满意:总计回收了11.94吉字节的空间。系统可回收空间比例从77%降至1%,磁盘使用率回归正常范围,问题彻底解决。

总结

本次事件的核心是定期维护的缺失。尽管服务正常运行,但历史构建和废弃镜像的积累最终突破了磁盘容量的阈值。

通过WisdomSSH,我得以快速、精准地定位到问题根源,并利用其提供的标准化、安全的命令组合完成了清理。整个过程无需手动逐项检查,避免了人为遗漏或误删风险。此次经历再次证明,将工具链与高效的自动化脚本相结合,是保障系统长期稳定运行的关键。

相关推荐
king王一帅1 小时前
Incremark Solid 版本上线:Vue/React/Svelte/Solid 四大框架,统一体验
前端·javascript·人工智能
uzong3 小时前
后端线上发布计划模板
后端
泰迪智能科技4 小时前
分享|职业技术培训|数字技术应用工程师快问快答
人工智能
uzong4 小时前
软件工程师应该关注的几种 UML 图
后端
上进小菜猪5 小时前
基于 YOLOv8 的 100 类中药材智能识别实战 [目标检测完整源码]
后端
Dxy12393102165 小时前
如何给AI提问:让机器高效理解你的需求
人工智能
Rabbit_QL6 小时前
【网络设置】Docker 自定义网络深度解析:从踩坑到工程实践
网络·docker·容器
少林码僧6 小时前
2.31 机器学习神器项目实战:如何在真实项目中应用XGBoost等算法
人工智能·python·算法·机器学习·ai·数据挖掘
钱彬 (Qian Bin)6 小时前
项目实践15—全球证件智能识别系统(切换为Qwen3-VL-8B-Instruct图文多模态大模型)
人工智能·算法·机器学习·多模态·全球证件识别
没学上了6 小时前
CNNMNIST
人工智能·深度学习