手动创建Docker版Fastapi CI/CD镜像文件

叼奶嘴的超人2026-01-31 9:45

一、创建Dockerfile文件（不需要加后缀名，此步骤需要把你的requirements.txt里的内容给到AI结合上面的代码，让他帮你输出最新的Dockerfile文件。【要求使用 GPU 进行推理和使用单阶段】）

复制代码 
# syntax=docker/dockerfile:1.7

# 构建阶段
FROM nvidia/cuda:12.8.0-devel-ubuntu24.04 AS builder

ENV PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple  \
    PIP_TRUSTED_HOST=pypi.tuna.tsinghua.edu.cn \
    PYTHONDONTWRITEBYTECODE=1 \
    PYTHONUNBUFFERED=1 \
    PIP_NO_CACHE_DIR=1 \
    PIP_DISABLE_PIP_VERSION_CHECK=1

# 安装 python3-venv 并创建虚拟环境
RUN apt-get update && apt-get install -y --no-install-recommends \
    python3.12-dev python3.12-venv python3-pip gcc default-libmysqlclient-dev pkg-config \
    && rm -rf /var/lib/apt/lists/* /var/cache/apt/archives/* \
    && userdel -r $(id -nu 1000 2>/dev/null) 2>/dev/null || true \
    && groupdel $(getent group 1000 | cut -d: -f1) 2>/dev/null || true \
    && groupadd --gid 1000 appgroup \
    && useradd --uid 1000 --gid appgroup --create-home appuser \
    && mkdir -p /opt/venv \
    && chown -R appuser:appgroup /opt

# 创建虚拟环境（使用 appuser 身份）
USER appuser
RUN python3.12 -m venv /opt/venv
ENV PATH="/opt/venv/bin:$PATH"

WORKDIR /app
COPY --chown=appuser:appgroup requirements.txt .

# 在虚拟环境中安装依赖，并强制升级 redis 和 pydub 到兼容 Python 3.12 的版本
RUN pip install --no-cache-dir --no-compile -r requirements.txt && \
    pip install --no-cache-dir --no-compile --upgrade "redis>=5.0.0" "pydub>=0.25.1"

# 运行时阶段
FROM nvidia/cuda:12.8.0-runtime-ubuntu24.04

ENV PYTHONUNBUFFERED=1 \
    PYTHONDONTWRITEBYTECODE=1 \
    PYTHONFAULTHANDLER=1 \
    PIP_NO_CACHE_DIR=1 \
    PIP_DISABLE_PIP_VERSION_CHECK=1 \
    LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH}

RUN apt-get update && apt-get install -y --no-install-recommends \
    python3.12 python3.12-venv libsndfile1 ffmpeg libgomp1 libmysqlclient21 \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/* /var/cache/apt/archives/* \
    && update-alternatives --install /usr/bin/python python /usr/bin/python3.12 1 \
    && userdel -r $(id -nu 1000 2>/dev/null) 2>/dev/null || true \
    && groupdel $(getent group 1000 | cut -d: -f1) 2>/dev/null || true \
    && groupadd --gid 1000 appgroup \
    && useradd --uid 1000 --gid appgroup --shell /bin/bash --create-home appuser

# 从构建阶段复制虚拟环境
COPY --from=builder --chown=appuser:appgroup /opt/venv /opt/venv
COPY --chown=appuser:appgroup . /app

# 激活虚拟环境
ENV PATH="/opt/venv/bin:$PATH" \
    PYTHONPATH="/opt/venv/lib/python3.12/site-packages:/app:$PYTHONPATH"

WORKDIR /app

# 验证安装（root 身份运行验证）
RUN python -c "import uvicorn; print(f'uvicorn {uvicorn.__version__} OK')"

USER appuser

EXPOSE 1112

HEALTHCHECK --interval=30s --timeout=10s --start-period=40s --retries=3 \
    CMD python -c "import urllib.request; urllib.request.urlopen('http://localhost:1112/health', timeout=5)" || exit 1

CMD ["python", "-m", "uvicorn", "main:app", "--host", "0.0.0.0", "--port", "1112", "--proxy-headers"]

二、创建.dockerignore文件（此步骤需要根据上面的Dockerfile文件进行AI生成）

复制代码 
# Python 缓存
__pycache__/
*.py[cod]
*$py.class
*.so
.Python
*.egg-info/
.eggs/
*.egg
pip-wheel-metadata/
*.manifest
*.spec

# 虚拟环境
venv/
.venv/
env/
ENV/
env.bak/
venv.bak/

# IDE 和编辑器
.vscode/
.idea/
*.swp
*.swo
*~
.project
.pydevproject
.settings/

# 版本控制
.git/
.gitignore/
.gitattributes/
.gitmodules
.svn/
.hg/

# 环境变量和秘密（绝不能进镜像）
.env
.env.*
.envrc
*.local
secrets/
*.key
*.pem

# 测试和开发
tests/
test/
testing/
.pytest_cache/
.coverage
htmlcov/
.tox/
.nox/
.mypy_cache/
.dmypy.json
*.cover
.hypothesis/

# 文档（保留 README 供参考）
docs/_build/
*.md
!README.md
!CHANGELOG.md

# Docker 本身
Dockerfile*
docker-compose*.yml
.docker/
.dockerignore

# 构建产物
build/
dist/
*.tar.gz
*.zip
*.tgz

# 日志
logs/
*.log
*.log.*
log/

# 临时文件
tmp/
temp/
temp_*/
*.tmp
*.bak
*.backup

# 数据（如果很大或通过 volume 挂载）
data/
datasets/
*.csv
*.tsv
*.json
*.jsonl
*.parquet
*.hdf5
*.h5
*.pkl
*.pickle

# 模型文件（通常很大，建议在容器内下载而非复制）
*.pt
*.pth
*.ckpt
*.safetensors
*.onnx
*.pb
models/
checkpoints/
weights/

# 本地开发工具
.pre-commit-config.yaml
.flake8
.black
.isort.cfg
mypy.ini
bandit.yaml

# 系统文件
.DS_Store
Thumbs.db
desktop.ini

三、创建build.sh脚本文件（此步骤需要根据上面的.dockerignore文件进行AI生成）

复制代码 
#!/bin/bash

set -euo pipefail

# 配置区
IMAGE_NAME="new2026_data"
REGISTRY="${REGISTRY:-}"
FULL_IMAGE_NAME="${REGISTRY}${IMAGE_NAME}"
VERSION="${VERSION:-latest}"
BUILD_DATE=$(date -u +"%Y-%m-%dT%H:%M:%SZ")

# 颜色输出
RED='\033[0;31m'
GREEN='\033[0;32m'
YELLOW='\033[1;33m'
BLUE='\033[0;34m'
NC='\033[0m'

log_info() { echo -e "${GREEN}[INFO]${NC} $1"; }
log_warn() { echo -e "${YELLOW}[WARN]${NC} $1"; }
log_error() { echo -e "${RED}[ERROR]${NC} $1"; }
log_debug() { echo -e "${BLUE}[DEBUG]${NC} $1"; }

usage() {
    cat << EOF
用法: $0 [选项]
    -t, --tag TAG       指定标签 (默认: ${VERSION})
    --no-cache          禁用缓存
    --push              构建后推送到仓库
    -h, --help          显示帮助
EOF
}

# 检查 NVIDIA Container Toolkit
check_nvidia_runtime() {
    if ! docker info 2>/dev/null | grep -q "nvidia"; then
        log_warn "未检测到 NVIDIA Container Toolkit"
        log_warn "请执行以下命令安装："
        echo "  sudo apt-get install -y nvidia-container-toolkit"
        echo "  sudo nvidia-ctk runtime configure --runtime=docker"
        echo "  sudo systemctl restart docker"
        echo ""
    else
        log_info "NVIDIA Container Toolkit 已配置"
    fi

    # 检查 nvidia-smi 是否可用
    if command -v nvidia-smi &> /dev/null; then
        local gpu_info=$(nvidia-smi --query-gpu=name --format=csv,noheader 2>/dev/null | head -n 1 || echo "Unknown")
        log_info "检测到 GPU: $gpu_info"
    else
        log_warn "宿主机未安装 nvidia-smi，容器内将无法使用 GPU"
    fi
}

# 检查资源
check_resources() {
    log_info "检查系统资源..."

    # 检查磁盘空间（需要至少 20GB）
    local docker_root="/var/lib/docker"
    if [ ! -d "$docker_root" ]; then
        docker_root="/"
    fi

    local available_gb=$(df -BG "$docker_root" 2>/dev/null | awk 'NR==2 {print $4}' | sed 's/G//' || echo "0")

    # 确保是数字
    if ! [[ "$available_gb" =~ ^[0-9]+$ ]]; then
        available_gb=0
    fi

    if [ "$available_gb" -lt 20 ]; then
        log_warn "磁盘空间不足: ${available_gb}GB < 20GB 推荐值"
        log_warn "建议清理: docker system prune -af"
        read -p "是否继续? [y/N] " -n 1 -r
        echo
        if [[ ! $REPLY =~ ^[Yy]$ ]]; then
            exit 1
        fi
    else
        log_info "磁盘空间充足: ${available_gb}GB"
    fi

    # 检查内存（需要至少 4GB）
    local mem_gb=$(free -g 2>/dev/null | awk '/^Mem:/{print $2}' || echo "0")
    if ! [[ "$mem_gb" =~ ^[0-9]+$ ]]; then
        mem_gb=0
    fi

    if [ "$mem_gb" -lt 4 ]; then
        log_warn "内存不足: ${mem_gb}GB < 4GB 推荐值"
        log_warn "建议关闭其他程序或增加交换空间"
    else
        log_info "内存充足: ${mem_gb}GB"
    fi
}

# 验证构建结果
verify_build() {
    local image_tag=$1
    log_info "验证镜像: ${FULL_IMAGE_NAME}:${image_tag}"

    # 检查 uvicorn 是否可用（虚拟环境路径已配置好）
    if docker run --rm "${FULL_IMAGE_NAME}:${image_tag}" python -c "import uvicorn; print('uvicorn OK')" 2>/dev/null; then
        log_info "✓ Python 模块检查通过"
    else
        log_error "✗ Python 模块检查失败"
        log_error "尝试调试: docker run --rm -it ${FULL_IMAGE_NAME}:${image_tag} /bin/bash"
        exit 1
    fi

    # 检查 GPU 是否可用（如果宿主机有 GPU）
    if command -v nvidia-smi &> /dev/null; then
        if docker run --rm --gpus all "${FULL_IMAGE_NAME}:${image_tag}" nvidia-smi > /dev/null 2>&1; then
            log_info "✓ GPU 支持检查通过"
        else
            log_warn "✗ GPU 支持检查失败（可能是 NVIDIA Container Toolkit 未配置）"
        fi
    fi

    local image_size=$(docker images --format "{{.Size}}" "${FULL_IMAGE_NAME}:${image_tag}")
    log_info "镜像大小: $image_size"
}

build() {
    local no_cache_flag=${1:-}
    local tag=${2:-$VERSION}
    local should_push=${3:-false}

    log_info "开始构建镜像: ${FULL_IMAGE_NAME}:${tag}"
    log_info "构建时间: ${BUILD_DATE}"

    # 清理旧缓存避免冲突
    rm -rf /tmp/.buildx-cache-new 2>/dev/null || true

    export DOCKER_BUILDKIT=1

    set -x
    docker build \
        ${no_cache_flag} \
        -t "${FULL_IMAGE_NAME}:${tag}" \
        -t "${FULL_IMAGE_NAME}:latest" \
        --build-arg BUILD_DATE="${BUILD_DATE}" \
        --build-arg VERSION="${tag}" \
        -f Dockerfile \
        .
    set +x

    log_info "本地镜像构建完成"

    # 验证构建
    verify_build "${tag}"

    # 推送镜像（如果指定了 --push）
    if [ "$should_push" = true ] && [ -n "$REGISTRY" ]; then
        log_info "推送到仓库: ${FULL_IMAGE_NAME}:${tag}"
        docker push "${FULL_IMAGE_NAME}:${tag}"
        docker push "${FULL_IMAGE_NAME}:latest"
    fi

    log_info "构建流程完成！"
    log_info "运行命令: docker run --rm --gpus all -p 1112:1112 ${FULL_IMAGE_NAME}:${tag}"
    log_info ""
    log_info "调试命令（进入容器）:"
    log_info "  docker run --rm -it --gpus all --entrypoint /bin/bash ${FULL_IMAGE_NAME}:${tag}"
}

main() {
    local no_cache=""
    local custom_tag=""
    local should_push=false

    while [[ $# -gt 0 ]]; do
        case $1 in
            -t|--tag)
                if [[ -z "${2:-}" ]] || [[ "$2" =~ ^- ]]; then
                    log_error "错误: $1 需要一个参数"
                    usage
                    exit 1
                fi
                custom_tag="$2"
                shift 2
                ;;
            --no-cache)
                no_cache="--no-cache"
                shift
                ;;
            --push)
                should_push=true
                shift
                ;;
            -h|--help)
                usage
                exit 0
                ;;
            *)
                log_error "未知选项: $1"
                usage
                exit 1
                ;;
        esac
    done

    check_nvidia_runtime
    check_resources

    local final_tag="${custom_tag:-$VERSION}"
    build "${no_cache}" "${final_tag}" "${should_push}"
}

main "$@"

四、通过以下命令开始执行构建镜像文件

复制代码 
给予权限
chmod +x build.sh

# 1. 构建生产镜像（标签使用版本号）
./build.sh --no-cache -t v4.0.0

# 2. 启动服务（后台运行）
docker-compose up -d

构建过程中的所有日志，最后显示构建流程完成！还提示您构建后运行镜像的命令和调试命令：

运行命令: docker run --rm --gpus all -p 1112:1112 new2026_data:v4.0.0

调试命令：docker run --rm -it --gpus all --entrypoint /bin/bash new2026_data:v4.0.0

五、构建成功后，将在Portainer镜像列表中看到构建成功的镜像文件

六、注意事项

1、如果你的程序里涉及大模型在构建镜像时如果出现以下问题解决办法：

sudo apt-get install -y nvidia-container-toolkit

sudo nvidia-ctk runtime configure --runtime=docker

sudo systemctl restart docker

解决方法：

步骤1：添加 NVIDIA 官方 GPG 密钥（验证包完整性）

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

步骤2：添加 NVIDIA 软件源（适配 Ubuntu 版本：jammy=22.04，focal=20.04）

echo "deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] [https://nvidia.github.io/libnvidia-container/ubuntu22.04/$(ARCH)](https://nvidia.github.io/libnvidia-container/ubuntu22.04/$(ARCH) "https://nvidia.github.io/libnvidia-container/ubuntu22.04/$(ARCH)") /" | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

步骤3：更新软件包索引

sudo apt-get update

步骤4：执行你提供的核心命令

sudo apt-get install -y nvidia-container-toolkit

sudo nvidia-ctk runtime configure --runtime=docker

sudo systemctl restart docker

2、如果你反复进行调试程序并进行生成镜像，则需要清理Docker缓存、未使用的镜像、容器信息命令，否则存在docker里文件会越来越大，占用的硬盘空间会越来越大，此时需要执行清理命令（所有提示全部按Y来进行执行）：

docker buildx prune && docker buildx prune -af && docker builder prune && docker builder prune -af && docker system prune && docker system prune -a

相关推荐
Suchadar5 小时前
Docker常用命令
运维·docker·容器
你才是臭弟弟5 小时前
MinIo开发环境配置方案（Docker版本）
运维·docker·容器
Bruk.Liu5 小时前
Gitea Actions 的概念及基础使用
运维·ci/cd·持续集成
七夜zippoe5 小时前
Docker容器化Python应用最佳实践：从镜像优化到安全防护
python·docker·云原生·eureka·容器化
卓码软件测评6 小时前
第三方软件课题验收测试【使用Docker容器部署LoadRunner负载生成器以实现弹性压测 】
测试工具·docker·容器·性能优化·单元测试·测试用例
Knight_AL6 小时前
Dockerfile 的 EXPOSE 和 Docker Compose 的 ports 有什么区别？
docker·容器·eureka
学嵌入式的小杨同学6 小时前
【Linux 实战】手写 ls 命令核心功能：C 语言实现文件属性与目录遍历（附完整可运行代码）
linux·运维·服务器·c语言·chrome·后端·ci/cd
你才是臭弟弟7 小时前
Docker 拉取 Kafka 镜像及策略配置
docker·容器·kafka
春日见7 小时前
在 Windows中，WSL与Docker的关系
运维·开发语言·c++·windows·docker·容器
独断万古他化7 小时前
Docker 容器详解：生命周期、命令清单与实操指南
docker·容器
热门推荐
01GitHub 镜像站点02Clawdbot 中文汉化版 接入微信、飞书03OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)042026数学建模美赛题目特点与选题建议，常用四大模型汇总05一种新的LCA算法06零门槛部署本地 AI 助手：Clawdbot/Meltbot 部署深度保姆级教程07Claude Code Skills 实用使用手册08在Trae中使用Pencil MCP09Linux下V2Ray安装配置指南10UV安装并设置国内源