使用docker搭建数据分析环境
注：早在学习《云计算》这门课之前就已经知道docker，学习这门课时老师还鼓励我们自己尝试一下；但是直到去年年底才有机会尝试，用过之后感觉确实很好用。最近需要部署几个shiny应用，又回顾了一下，并记录与此。
1. 初识docker
最开始听说docker，就知道可以使用docker来部署应用，相对于之前在主机上直接安装应用所需的运行环境，docker要方便的多。对于我这样时不时被开发环境搞的怀疑人生的半个开发人员，自然会对这样神奇的工具有所关注，只是一直没有找到机会尝试。直到去年年底，为了部署一个Django应用，终于有机会尝试了一下。有以下几点认识：
- 与虚拟机相比，docker是操作系统级别的虚拟化，与host共享了很多系统资源。因此docker比虚拟机更轻量级，运行的时候启动速度更快，开销也更小；
- 虚拟机可以安装桌面，但是docker部署的应用一般通过"IP+端口"的方式来访问；
- docker以image（镜像）为基础，应用程序运行在基于特定image开启的container（容器）上；
- 如果多个程序使用同一个image来开启不同的container，这些container共享该image而不需要复制多个；
- 一个image可以是一个完整的操作系统（例如Ubuntu的官方镜像，大小为2G左右），也可以只是满足某个应用程序运行的基本环境（例如运行nginx的alpine镜像，只有15.5M）;
- image是分层的，已有image的层是只读属性的，可以在已有image的基础上添加新的层来覆盖下层的东西，从而构建出新的image.
图1：docker与虚拟机的区别，图片来源：link
由于应用程序运行在container中，而容器又是基于image构建的，因此image就显得非常重要了。image相当于一个刻录好的光盘，里面有预装好的操作系统或应用程序等。docker官方维护了docker hub这个网站，类似于github，可以直接从该网站上pull各种应用程序的官方镜像。这些镜像可以直接使用，也可以在此基础上添加新的层，来构建自己的镜像。
windows下需要win10操作系统的特定版本（Windows 10 64bit: Pro, Enterprise or Education (1607 Anniversary Update, Build 14393 or later)）才可以安装docker engine。下面是CentOS下安装及启动Docker Community Edition(CE)的官方文档：
- 下载安装：https://docs.docker.com/install/linux/docker-ce/centos/
- 基本使用方法：https://docs.docker.com/get-started/
在安装好docker，并启动docker之后，就可以pull官方的image，并在这些image的基础上按照自己的需要创建新的image。
2. Dockerfile文件
创建自己的image只需要一个Dockerfile文件就可以，该文件中保存了构建image的每一步命令。image的每一层可以仅包含一个命令也可以是多个命令，且每一层执行完成后可以缓存起来（下次不用重新执行已构建完成的层中的命令），这样就让可追溯的逐步搭建运行环境成为可能。
Dockerfile中保存的是与基础image对应的操作系统命令，例如以Ubuntu为基础image构建的新的image，该文件中就是Ubuntu系统的shell命令。以下是docker官网对该文件的介绍：
DockerfileDockerfiledocker build
下面是一个该文件的示例，使用了jupyter的官方镜像datascience-notebook：
1 # 指定基础image 2 FROM jupyter/datascience-notebook:03b897d05f16 3 MAINTAINER Xin Xiong <xiongxin20008@126.com> 4 5 # 替换CRAN镜像为国内的镜像，可以更快的安装R packages 6 ARG CRAN_MIRROR=https://mirrors.tuna.tsinghua.edu.cn/CRAN/ 7 8 # 由于要安装程序，使用root身份 9 USER root 10 11 # install Java 12 RUN \ 13 apt-get update -qq && \ 14 apt-get install -y openjdk-8-jdk && \ 15 apt-get install -y mlocate && updatedb && \ 16 rm -rf /var/lib/apt/lists/* 17 18 # 为安装rJava做准备 19 # need using ln to avoid some errors, such as conftest.c:1:10: fatal error: jni.h: No such file or directory 20 RUN \ 21 ln -s /usr/lib/jvm/java-8-openjdk-amd64/include/jni.h /opt/conda/include/ && \ 22 ln -s /usr/lib/jvm/java-8-openjdk-amd64/include/linux/jni_md.h /opt/conda/include/ && \ 23 ln -s /usr/lib/jvm/java-8-openjdk-amd64/jre/lib/amd64/server/libjvm.so /usr/lib/ && \ 24 R CMD javareconf 25 26 27 # 添加本地文件夹package到镜像中的/src 28 ADD ./package/ /src/ 29 30 # link lib 31 RUN \ 32 ln -s /opt/conda/lib/libpcre.so /usr/lib/ && \ 33 ln -s /opt/conda/lib/liblzma.so /usr/lib/ && \ 34 ln -s /opt/conda/lib/libbz2.so /usr/lib/ && \ 35 ln -s /opt/conda/lib/libz.so /usr/lib/ && \ 36 ln -s /opt/conda/lib/libiconv.so /usr/lib/ && \ 37 ln -s /opt/conda/lib/libicuuc.so /usr/lib/ && \ 38 ln -s /opt/conda/lib/libicui18n.so /usr/lib/ 39 40 # 安装前面添加到镜像/src文件夹中rpacks.txt文件中的R package 41 # 且使用国内的镜像地址CRAN_MIRROR 42 RUN \ 43 cd /src && \ 44 R -e 'install.packages(sub("(.+)\\\\n","\\1", scan("rpacks.txt", "character")), repos="'"${CRAN_MIRROR}"'")' 45 46 # 安装前面添加到镜像/src文件夹中requirements.txt文件中的Python package 47 RUN \ 48 cd /src && \ 49 pip --no-cache-dir install -r requirements.txt && \ 50 rm -rf /root/.cache 51 52 # 直接使用conda安装Python package 53 RUN conda install -c rdkit rdkit 54 55 # 切换到默认普通用户 56 USER jovyan
Jupyter的官方镜像datascience-notebook，包含了Python, R和Julia以及一些数据分析中常用的包。我在该镜像的基础上，安装了Java以及其他一些自己需要的Python和R包。这些包的的名字保存在文件夹package的rpacks.txt和requirements.txt两个文件中，每个包名称一行。在上面的操作中，第28行添加该文件夹中的内容到镜像中的的/src目录下，第42-44行安装了rpacks.txt文件中的R包，第47-50行安装了requirements.txt文件中的Python包。更多关于该镜像的说明可以在官方文档的描述中看到，还有其他的官方镜像可供选择。
2.1 Dockfile中的关键字
如上面的例子所示，Dockfile中包含的最重要的内容是可以在系统命令行中执行的命令，只是每一行命令前加了一些Dockfile特有的关键词。下面是一些常见的关键词：
2.1.1 FROM
2.1.2 RUN
运行指定的命令。使用RUN可以运行任何被基础image支持的命令。如果基础image是ubuntu系统，那么软件管理部分只能使用ubuntu的命令
2.1.3 ADD
添加本地文件或目录到container
2.1.4 LABLE
添加一些元数据，格式为LABEL <key>=<value>，例如上面的第3行可以写成LABEL maintainer="Xin Xiong, xiongxin@20008@126.com". MAINTAINER关键词已弃用。
2.1.5 ARG
定义一个变量，如第6行，可以重复使用
更多关键词，可以参考官方文档。此外，"&&"用来连接两条不同的指令，"\" 表示同一条语句换行显示
2.2 Dockerfile的最佳实践
官方文档给出了一些最佳实践指南，比如说不要安装不需要的package，应用解偶联，最小化层数，如何最好的使用"apt-get"，COPY和ADD关键词的差别等。
2.3 构建自己的image
有了上面的文件，就可以在Dockerfile这个文件所在的文件夹，使用下面的命令build自己的镜像了：
docker build -t onlybelter/ds-notebook .
这句命令会使用当前目录下的Dockerfile文件，构建一个image，新image的名称为onlybelter/ds-notebook。
3. docker-compose
docker-compose可以用来配置一些在image中没有设置的参数，例如端口号，log日志的目录，容器启动时运行的命令等。此外还可以用来启动、停止容器，打印log，查看容器状态和限制资源使用等功能。
docker-compose的其他介绍及安装可以参考官方文档。
3.1 docker-compose的配置文件
docker-compose的配置文件是一个放在与Dockerfile相同目录下，以.yml结尾的文件，示例如下：
1 version: '2.2' 2 3 services: 4 jupyterlab: 5 image: onlybelter/ds-notebook 6 command: /bin/bash -c "jupyter lab --no-browser --ip=0.0.0.0 --notebook-dir=/mnt/notebook" 7 cpus: 16 8 mem_limit: 8g 9 volumes: 10 - /mnt/home/belter/github/jupyter-note:/mnt/notebook 11 - /etc/localtime:/etc/localtime:ro 12 environment: 13 - PYTHONUNBUFFERED=1 14 ports: 15 - 8888:8888
第1行，指定了配置文件的版本号，由于v3不支持单机模式下配置资源，因此这里使用了v2.2（如果不适用swarm或其他集群模式，官方推荐使用v2）；
第4行是service的名称；
第5行指定了image的名称，就是上面build好的镜像；
第6行设置了容器启动时的命令；
第7-8行限制了资源的使用：16个CPU核，8G内存；
第10行，相当于挂载了一个本地目录到容器，这样容器和外部的host之间就可以交换文件了（内外对应的文件夹里的内容是同步的）；
第11行用于同步容器与host的时间；
第13行设置了一个环境变量；
第15行设置了容器内外端口号的对应关系，左边是host的端口号，右边是容器内的端口号。
3.2 启动容器
配置好上面的.yml文件（我的文件为docker-compose.yml）后，就可以启动前面build好的镜像来创建一个容器了。
$ sudo docker-compose up -d $ sudo docker-compose logs
第1行命令使用当前目录下的docker-compose.yml文件创建容器，并在后台运行；第2行命令打印logs，可以从logs中获得Jupyter Notebook生成的token来登录。
Attaching to jupyterlab_jupyterlab_1 jupyterlab_1 | [I 20:07:06.567 LabApp] Writing notebook server cookie secret to /home/jovyan/.local/share/jupyter/runtime/notebook_cookie_secret jupyterlab_1 | [I 20:07:06.731 LabApp] JupyterLab beta preview extension loaded from /opt/conda/lib/python3.6/site-packages/jupyterlab jupyterlab_1 | [I 20:07:06.731 LabApp] JupyterLab application directory is /opt/conda/share/jupyter/lab jupyterlab_1 | [W 20:07:06.737 LabApp] JupyterLab server extension not enabled, manually loading... jupyterlab_1 | [I 20:07:06.737 LabApp] JupyterLab beta preview extension loaded from /opt/conda/lib/python3.6/site-packages/jupyterlab jupyterlab_1 | [I 20:07:06.737 LabApp] JupyterLab application directory is /opt/conda/share/jupyter/lab jupyterlab_1 | [I 20:07:06.744 LabApp] Serving notebooks from local directory: /mnt/notebook jupyterlab_1 | [I 20:07:06.744 LabApp] 0 active kernels jupyterlab_1 | [I 20:07:06.744 LabApp] The Jupyter Notebook is running at: jupyterlab_1 | [I 20:07:06.744 LabApp] http://1c7e68e582c4:8888/?token=3bda623azj07414dbcf58bf977e2c2855158bd052f77afa2 jupyterlab_1 | [I 20:07:06.744 LabApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
使用该host的ip加端口号8888，输入日志中的token就可以打开Jupyter的界面。我的本地地址为，http://192.168.1.33:8888/lab?
界面如下图所示：
其他docker-compose命令：
$ sudo docker-compose down # 关闭容器 $ sudo docker-compose ps # 查看容器运行状态
此外使用docker stats <container name>可以查看该容器资源使用情况：
PS: 最近都是忙到每个月最后一天更新博客，要改改啦！
Reference
https://stackoverflow.com/questions/16047306/how-is-docker-different-from-a-virtual-machine
https://www.docker.com/resources/what-container#/package_software
https://blog.csdn.net/weixin_37645838/article/details/83343029
https://docs.docker.com/engine/reference/builder/