Python Docker镜像体积过大核心在于冗余依赖，应选python:3.11-slim替代完整镜像（900MB→110MB），禁用pip缓存、清理.pyc和__pycache__，剔除dev包，并通过多阶段构建仅复制site-packages与代码。
python docker镜像体积过大，核心问题往往不在代码本身，而在于依赖“带进来太多不该留下的东西”。裁剪依赖不是盲目删包，而是分层次识别并移除运行时完全不需要的组件。
选对基础镜像，先砍掉一半体积
基础镜像决定下限。用 python:3.11-slim 替代 python:3.11，可直接从 900MB 降至约 110MB。它去掉了 apt 工具链、man 文档、调试符号、tkinter 等非运行必需项，同时保留 glibc 兼容性，绝大多数 wheel 包可直装。别轻易上 Alpine——musl libc 会导致 numpy、psycopg2 等必须源码编译，反而增大体积、延长构建、引入失败风险。
精准控制 pip 安装内容
默认 pip install -r requirements.txt 会把测试模块、文档、示例、C 扩展的调试符号、甚至 .pyc 缓存一并打包进去。关键操作包括：
- 显式加
--no-cache-dir，禁用 wheel 下载缓存 - 在同一 RUN 指令中清理残留：
&& rm -rf /root/.cache/pip - 安装后立即删除字节码：
&& find /usr/local/lib/python3.11/site-packages -name "*.pyc" -delete - 递归清除缓存目录：
&& find /usr/local/lib/python3.11/site-packages -type d -name "__pycache__" -delete - 检查 requirements.txt，手动剔除开发专用包（如 pytest、black、mypy、sphinx）
按场景裁剪 PyTorch/TensorFlow 类框架依赖
深度学习框架是体积大户。以 PyTorch 2.0 为例，完整安装含分布式（gloo/nccl）、多媒体（torchvision/torchaudio）、NLP（torchtext）等模块，但纯训练任务通常只需 libtorch + CUDA 核心驱动。可采取：
- 用
pip download torch==2.0.1 --no-deps查依赖树，再用pipdeptree --package torch分析哪些子包未被业务代码 import - 训练场景可安全移除：torchtext（除非做 NLP）、torchaudio（无音频处理）、torchvision（不涉及图像预处理或模型加载）
- 若只做推理，考虑用
torch --only-libtorch方式或官方提供的精简 wheel
多阶段构建中只复制真正需要的文件
不要 COPY 整个 site-packages 或虚拟环境目录。推荐做法：
立即学习“Python免费学习笔记（深入）”；
- 在 builder 阶段用
pip install --no-cache-dir --target /app/deps -r requirements.txt安装到独立路径 - runner 阶段仅
COPY --from=builder /app/deps /usr/local/lib/python3.11/site-packages/ - 避免使用
--user安装后 COPY/root/.local，除非明确管理 PYTHONPATH - 确认不复制
/usr/src、/tmp、/var/cache等构建期临时路径
