


Daripada warisan kepada tanpa pelayan awan - Bahagian 1
Nota: Artikel ini pada asalnya diterbitkan pada 4 Nov 2023 di sini. Ia telah diterbitkan semula di sini untuk menjangkau khalayak yang lebih luas.
Selamat datang ke artikel pertama dalam siri yang akan membimbing anda melalui proses pemindahan apl lama dari premis ke awan, dengan tumpuan pada pemodenan, platform tanpa pelayan dan amalan DevOps bersepadu.
Dalam artikel ini, kami akan menumpukan pada kontena apl anda. Walau bagaimanapun, jika anda membina apl dari awal, itu tidak mengapa (malah, ia lebih baik). Untuk contoh ini, saya menggunakan panduan DigitalOcean ini untuk membina aplikasi TODO mudah menggunakan Python (Flask) dan MongoDB sebagai pangkalan data. Saya telah membuat beberapa penyesuaian untuk menjadikannya kelihatan lebih baik, tetapi perkara utama ialah membina sesuatu yang menggunakan pangkalan data berasaskan dokumen NoSQL, kerana ini diperlukan untuk kerja yang akan datang.
Anda boleh mengklon repositori apl di sini di GitHub jika anda belum membina sendiri.
Setelah apl anda dibina, mari mulakan!
Dockerfile
Berikut ialah struktur direktori aplikasi yang akan kami simpan, diikuti dengan Dockerfile.
. ├── app.py ├── LICENSE ├── README.md ├── requirements.txt ├── static │ └── style.css └── templates └── index.html
Fail app.py ialah fail aplikasi utama yang mengandungi kod aplikasi Flask. Fail requirements.txt mengandungi senarai kebergantungan Python yang diperlukan oleh aplikasi. Direktori statik/ mengandungi fail statik seperti CSS, JavaScript dan imej. Templat/ Direktori mengandungi templat HTML yang digunakan oleh apl Flask.
# Use a minimal base image FROM python:3.9.7-slim-buster AS base # Create a non-root user RUN useradd -m -s /bin/bash flaskuser USER flaskuser # Set the working directory WORKDIR /app # Copy the requirements file and install dependencies COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # Add the directory containing the flask command to the PATH ENV PATH="/home/flaskuser/.local/bin:${PATH}" # Use a multi-stage build to minimize the size of the image FROM base AS final # Copy the app code COPY app.py . COPY templates templates/ COPY static static/ # Set environment variables ENV FLASK_APP=app.py ENV FLASK_ENV=production # Expose the port EXPOSE 5000 # Run the app CMD ["flask", "run", "--host=0.0.0.0"]
Berikut ialah panduan dan pecahan fail Docker:
Fail Docker bermula dengan arahan FROM yang menentukan imej asas untuk digunakan. Dalam kes ini, ia adalah python:3.9.7-slim-buster, iaitu imej asas minimum yang merangkumi Python 3.9.7 dan beberapa perpustakaan penting.
Arahan seterusnya mencipta pengguna bukan akar bernama flaskuser menggunakan arahan RUN dan useradd. Ini ialah amalan terbaik keselamatan untuk mengelak daripada menjalankan bekas sebagai pengguna akar.
Arahan WORKDIR menetapkan direktori kerja kepada /app, di mana kod aplikasi akan disalin.
Arahan COPY menyalin fail requirements.txt ke direktori /app bekas.
Arahan RUN memasang kebergantungan yang disenaraikan dalam requirements.txt menggunakan pip. Pilihan --no-cache-dir digunakan untuk mengelakkan cache pakej yang dimuat turun, yang membantu mengekalkan saiz imej yang kecil.
Arahan ENV menambah direktori yang mengandungi arahan kelalang kepada pembolehubah persekitaran PATH. Ini perlu untuk menjalankan arahan kelalang kemudian.
Arahan FROM memulakan peringkat binaan baharu menggunakan imej asas yang ditakrifkan sebelum ini. Ini ialah binaan berbilang peringkat yang membantu meminimumkan saiz imej akhir.
Arahan COPY menyalin kod aplikasi (app.py), templat (templat/) dan fail statik (statik/) ke direktori /app bekas.
Arahan ENV menetapkan pembolehubah persekitaran FLASK_APP dan FLASK_ENV. FLASK_APP menentukan nama fail aplikasi utama dan FLASK_ENV menetapkan persekitaran kepada pengeluaran.
Arahan EXPOSE mendedahkan port 5000, iaitu port lalai yang digunakan oleh Flask.
Arahan CMD menentukan arahan untuk dijalankan apabila bekas bermula. Dalam kes ini, ia menjalankan perintah larian kelalang dengan pilihan --host=0.0.0.0 untuk mengikat semua antara muka rangkaian.
Dengan Fail Docker ini, aplikasi boleh disimpan dalam bekas dan dilaksanakan. Walau bagaimanapun, adalah penting untuk ambil perhatian bahawa apl kami memerlukan pangkalan data untuk menyimpan data yang dibuat atau dijana semasa ia berjalan. Sudah tentu, anda boleh menarik imej pangkalan data MongoDB secara berasingan dan menjalankannya secara berasingan. Kemudian, buat pelarasan pada kedua-dua belah pihak untuk mewujudkan komunikasi antara kedua-dua bekas supaya apl boleh berjaya menyimpan data dalam pangkalan data. Walaupun pendekatan ini berkesan, ia mungkin memakan masa dan agak membosankan. Untuk menyelaraskan proses, kami sebaliknya akan bergerak ke hadapan dengan Docker Compose. Dalam Docker Compose, semuanya diisytiharkan dalam fail YAML dan dengan menggunakan arahan docker-compose up, kami boleh memulakan dan mengendalikan perkhidmatan yang berbeza dengan lancar, menjimatkan masa dan usaha.
Memperkemas Penyepaduan Pangkalan Data dengan Docker Compose
Berikut ialah fail asas Docker Compose YAML yang akan kami gunakan untuk menyelaraskan proses.
version: '3.9' services: db: image: mongo:4.4.14 ports: - "27017:27017" volumes: - mongo-data:/data/db web: build: . container_name: "myflaskapp" ports: - "5000:5000" environment: - MONGO_URI=mongodb://db:27017 depends_on: - db volumes: mongo-data:
Fail Docker Compose YAML ini dikonfigurasikan untuk menyediakan dua perkhidmatan: pangkalan data MongoDB (db) dan aplikasi web (web). Berikut ialah pecahan:
Versi: Menentukan versi format fail Docker Compose yang digunakan (3.9 dalam kes ini).
-
Perkhidmatan:
-
Pangkalan Data (db):
- Utilise l'image MongoDB version 4.4.14.
- Mappe le port hôte 27017 au port conteneur 27017.
- Utilise un volume nommé mongo-data pour stocker de manière persistante les données MongoDB.
-
Application Web (web) :
- Construit l'image Docker à partir du répertoire actuel (.).
- Définit le nom du conteneur comme "myflaskapp."
- Mappe le port hôte 5000 au port conteneur 5000.
- Définit une variable d'environnement MONGO_URI avec la valeur mongodb://db:27017, établissant une connexion au service MongoDB.
- Spécifie une dépendance sur le service de base de données, garantissant que la base de données est démarrée avant le service Web.
-
-
Volumes :
- Définit un volume nommé mongo-data pour les données MongoDB persistantes.
En résumé, ce fichier Docker Compose orchestre le déploiement d'une base de données MongoDB et d'une application Web Flask, garantissant qu'elles peuvent communiquer et fonctionner ensemble de manière transparente.
Maintenant, accédez au répertoire contenant le fichier Docker Compose et exécutez docker-compose up pour démarrer MongoDB et une application Web Flask. Accédez à l'application sur http://localhost:5000 pour vous assurer que tout fonctionne comme prévu.
Pour arrêter, utilisez docker-compose down.
Tout va bien ? Prochaine étape : migrer le workflow vers Kubernetes dans le prochain article.
Atas ialah kandungan terperinci Daripada warisan kepada tanpa pelayan awan - Bahagian 1. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python sesuai untuk sains data, pembangunan web dan tugas automasi, manakala C sesuai untuk pengaturcaraan sistem, pembangunan permainan dan sistem tertanam. Python terkenal dengan kesederhanaan dan ekosistem yang kuat, manakala C dikenali dengan keupayaan kawalan dan keupayaan kawalan yang mendasari.

Anda boleh mempelajari konsep pengaturcaraan asas dan kemahiran Python dalam masa 2 jam. 1. Belajar Pembolehubah dan Jenis Data, 2.

Python cemerlang dalam permainan dan pembangunan GUI. 1) Pembangunan permainan menggunakan pygame, menyediakan lukisan, audio dan fungsi lain, yang sesuai untuk membuat permainan 2D. 2) Pembangunan GUI boleh memilih tkinter atau pyqt. TKInter adalah mudah dan mudah digunakan, PYQT mempunyai fungsi yang kaya dan sesuai untuk pembangunan profesional.

Anda boleh mempelajari asas -asas Python dalam masa dua jam. 1. Belajar pembolehubah dan jenis data, 2. Struktur kawalan induk seperti jika pernyataan dan gelung, 3 memahami definisi dan penggunaan fungsi. Ini akan membantu anda mula menulis program python mudah.

Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python digunakan secara meluas dalam bidang pembangunan web, sains data, pembelajaran mesin, automasi dan skrip. 1) Dalam pembangunan web, kerangka Django dan Flask memudahkan proses pembangunan. 2) Dalam bidang sains data dan pembelajaran mesin, numpy, panda, scikit-learn dan perpustakaan tensorflow memberikan sokongan yang kuat. 3) Dari segi automasi dan skrip, Python sesuai untuk tugas -tugas seperti ujian automatik dan pengurusan sistem.

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.
