Docker的案例
使用Docker搭建poste，自建郵件服務器
整個郵件服務器容器由 Docker 與其他應用程序隔離。
準備工作
一臺VPS，有獨立IP
支持25端口及郵件發送
建議內存2Gb以上
干凈的IP,沒有被墻,沒有被標記為垃圾IP
提前安裝好Docker
關于Docker安裝可參考這篇文章《Linux安裝Docker與Docker常用命令》，如果您使用的CentOS 7系統，也可以直接使用xiaoz提供的Docker一鍵安裝腳本。
Docker如何部署OneNav書簽管理器
現已支持Docker方式部署，方法如下。
功能特色
支持后臺管理
支持私有鏈接
支持多種主題風格（默認內置2套模板）
支持鏈接信息自動識別
支持API
支持右鍵菜單管理
Docker部署
docker run -itd --name="onenav" -p 80:80 \
-e USER='xiaoz' -e PASSWORD='xiaoz.me' \
-v /data/onenav:/data/wwwroot/default/data \
helloz/onenav
USER：設置用戶名，上述設置為xiaoz
PASSWORD：設置密碼，上述設置為xiaoz.me
/data/onenav：本機掛載目錄，用于持久存儲Onenav數據
注：內容來源小z博客，不支持轉載及分享喲～
展開 Python開發者的Docker核心入門
Python開發者的Docker核心入門 課程信息 發布年份：2026 時長：2小時 大小：658.0MB 視頻：h264編碼，1920x1080分辨率 音頻：AAC編碼，44.1千赫，雙聲道 語言：英語 課時數：11講 你將學到 - 理解Docker核心基礎 -
實現Linux安裝Collabora Online讓NextCloud支持Office在線編輯
部署Collabora Online服務
Collabora Online提供多種平臺和多種安裝方式，這篇文章使用Linux Docker方式來一鍵部署。
CentOS安裝Docker
#安裝docker
yum -y install docker
#運行docker
service docker start
#設置docker開機啟動
systemctl enable docker
Docker部署Collabora Online
#部署Collabora Online
docker pull collabora/code
#運行Collabora Online
docker run -t -d -p 127.0.0.1:9980:9980 -e "domain=<your-dot-escaped-domain>" \
-e "username=admin" -e "password=S3cRet" --restart always --cap-add MKNOD collabora/code
注意上面的<your-dot-escaped-domain>指的是WOPI主機，也就是您NextCloud所使用的域名，多個域名可以用|進行分隔，您需要在命令行中使用雙反斜杠，因為shell會轉義第一個，而domain參數會使用正則表達式。
展開 
SOTA技術概述
容器技術隨著Docker的出現才在“格子襯衫”群體中流行開來。Docker將集裝箱思想運用到軟件打包技術上，為代碼提供了一個基于容器的標準化運輸系統，其產品logo就是這一思想的最形象詮釋。
Docker 是一個開源的應用容器引擎，開發者利用Docker可以將任何應用及其依賴打包成一個輕量級、可移植、自包含的鏡像，然后發布到任何流行的 Linux、Windows等操作系統的機器上。Docker 技術包含三個核心基礎概念：
（1）鏡像（Image），一個層疊的只讀文件系統，除了提供容器運行時所需的程序、庫、資源、配置等文件外，還包含了一些為運行時準備的配置參數。鏡像不包含任何動態數據，其被創建之后內部不會被改變。鏡像用來創建 Docker容器，同一個鏡像文件，可以生成多個同時運行的容器；
（2）容器（Container），容器是鏡像創建的運行實例，容器可以被創建、啟動、停止、刪除、暫停等。每個容器都是相互隔離；
（3）倉庫（Registry），鏡像文件存放的地方。用戶創建完鏡像后，可以將其上傳到到倉庫，需要在另一臺主機上使用該鏡像時，只需要從倉庫上下載即可。
Docker使用客戶端/服務器架構模式，運行邏輯如下圖所示。Docker守護進程作為服務端的請求，負責構建、拉取、啟動Docker容器。Docker守護進程一般在Docker主機后臺運行，用戶使用Docker客戶端直接跟Docker守護進程進行信息交互。
Docker客戶端，向 Docker守護進程發起Docker構建、拉取、啟動的請求，Docker守護進程完成操作并返回結果。
展開 使用AlphaFold2進行蛋白質結構預測
安裝Docker和NVIDIA Container Toolkit
3.1 安裝Docker
參考Docker官方教程：https://docs.docker.com/desktop/install/linux-install/
3.2 安裝NVIDIA Container Toolkit
參考NVIDIA官方教程：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html
3.3 測試是否安裝成功
root權限運行：
docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi
如果你看到如下圖的一個表格，證明你成功了。
4. 使用AlphaFold2
4.1 配置輸入輸出文件夾路徑
首先你得配置一下輸入和輸出目錄，打開docker文件夾下的run_docker.py腳本，然后把其中的DOWNLOAD_DIR參數改成fasta文件夾的輸入目錄，把output_dir后面改為輸出結果的路徑。
展開 康謀分享 | 從云端到單機的數據匿名化全攻略
2、基于 Docker Compose 的單機部署
關于“基于 Docker Compose 的單機部署”方案，下面將從硬件要求、功能集成、啟動速度三方面具體闡述：
（1）極簡硬件要求
單機部署是一種更為簡單、相對隔離的解決方案，只需將Docker Compose部署在帶有1個或多個 NVIDIA GPU（T4/A100/2080 Ti/A10）的單臺服務器中，深度優化推理速度，適配邊緣計算節點或小型數據中心。
（2）全功能集成
- 管道一體化：預處理、深度學習推理、后處理全流程封裝于 Docker 容器，通過 REST API 統一管理，支持視頻流或圖像文件批量處理；
- 可視化界面：可選 Redact UI 前端，一鍵提交作業、監控進度、下載結果，降低技術門檻；
- 離線可用性：內置 Redact-License-Server，無需聯網即可運行，滿足醫療、政府等強隔離場景需求。
（3）分鐘級快速啟動
適合概念驗證（POC）、小規模生產環境或臨時任務，尤其適合技術資源有限的企業快速落地匿名化能力。
3、方案選擇
在這兩種本地部署策略之間進行選擇取決于用戶的數據量以及滿足隱私合規性的可用預算。
如果希望每天處理數百小時的視頻并需要彈性可擴展性，那么基于AWS的Kubernetes集群可能是最佳方案；如果需要更便捷的操作或在安全、隔離的環境下工作，Docker Compose單機部署也會是一個不錯的選擇。
展開 技術帖——Alpine Linux使用入門
體積非常小巧，適合用來做Docker鏡像。xiaoz最近在為CCAA/Zdir打包容器鏡像的時候了解到了Alpine Linux，麻雀雖小但五臟俱全，簡直不要太方便。
Docker使用Alpine Linux
使用命令docker run -it alpine /bin/sh可運行Alpine Linux，由于Alpine Linux沒有內置bash，所以這里使用的sh作為偽終端，在為Alpine Linux編寫shell腳本的時候也需要注意，使用sh而不是bash
Alpine Linux鏡像非常小巧，不到6M的大小，所以特別適合容器打包。
Alpine Linux軟件管理
Alpine Linux使用apk指令來管理軟件，類似CentOS的yum或Debian的apt-get，首次使用建議用apk update更新下軟件，以免無法正常使用。
展開 資源控制在大數據和云計算平臺中的應用
Docker容器資源控制
目前在Linux生態圈，用Docker發布和運行程序基本已經成為一個標準，同時用Docker管理本地私有云也越來越流行，尤其對于用Kubernetes管理的容器云，如何限制容器資源變得非常重要。
在RedHat上，Docker擁有自己的cgroup控制目錄，位于各個子系統下的system.slice的文件夾里面。當我們啟動一個docker容器之后，就會產生這個容器ID開頭的一個子目錄，用來配置這個容器里面的所有進程對系統資源的使用。
其中task目錄中存放的為容器中進程的PID，以我們這個示例來說，我們在容器中啟動了 /bin/sh 進程，這個進程ID為2730。
云計算中Docker容器的資源收集
目前通過Docker容器部署大數據平臺也比較流行，但是大數據平臺需要獲取每個節點運行環境的資源配額，對于已經運行在Docker容器里面的進程，如何判斷自己擁有多少系統資源也可以通過cgroup文件系統獲取。但是Docker容器里面看到的cgroup的文件目錄和宿主機不同，docker容器里面沒有system.slice文件夾，直接以/sys/fs/cgroup/開頭，可以通過命令查看。所以可以通過這個目錄下的memory.limit_in_bytes獲取容器自身的物理內存配額。對于容器中CPU core數目的獲取，可以通過這個公式獲取到近似的core數：min(1, (int)ceil(cpu.cfs_quota_us/cpu.cfs_period_us))。
展開 本地部署 DeepSeek 私有助手：從零到上線的完整方案
部署前準備
硬件要求
CPU：≥ 2 核
GPU/RAM：≥ 16 GiB（推薦）
軟件要求
Docker
Docker Compose
Ollama
Dify 社區版
3. 安裝 Dify 社區版
bash
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
安裝完成后，訪問：
http://your_server_ip
4. 在 Dify 中接入 DeepSeek
打開 Profile → Settings → Model Provider。
選擇 Ollama 并點擊“添加模型”。
模型名稱：deepseek-r1:7b（根據實際部署填寫）。
基本 URL：http://your_server_ip:11434。
5. 構建 AI 應用
(1) 聊天機器人
創建空白應用 → 選擇“聊天機器人”類型 → 指定 DeepSeek 模型 → 測試交互。
(2) 知識庫增強（RAG）
上傳內部文檔 → 啟用父子分塊保留結構 → 將知識庫接入 AI 應用上下文 → 提升回答準確性。
(3) 工作流集成
可加入 Web 搜索節點、代碼執行節點、負載均衡和錯誤處理節點，實現更復雜的自動化邏輯。
第四部分：常見問題（FAQ）
Q1：Docker 中 Ollama 無法訪問？
展開 python3網絡爬蟲開發實戰PDF文檔免費下載
536
13.13 Scrapy爬取新浪微博 541
第14章 分布式爬蟲 555
14.1 分布式爬蟲原理 555
14.2 Scrapy-Redis源碼解析 558
14.3 Scrapy分布式實現 564
14.4 Bloom Filter的對接 569
第15章 分布式爬蟲的部署 577
15.1 Scrapyd分布式部署 577
15.2 Scrapyd-Client的使用 582
15.3 Scrapyd對接Docker 583
15.4 Scrapyd批量部署 586
15.5 Gerapy分布式管理 590
谷歌發布Kubernetes v1.0，容器生態前景明媚
穩定的API，并向后兼容
回顧過去一年kubernetes從宣布開源到v1發布的事件進程，kubernetes連續不斷的吸引了眾多行業伙伴的加入，kubernetes支持多種容器產品，從支持Docker到rocket，從運行于GCE等云平臺到獨立單一的Linux系統，以及和其他資源調度框架如mesos的兼容互補，kuberentes逐漸抽象發展成可提供對外運行接口的跨平臺容器管理工具。kubernetes體系中包含的眾多組件，kubelet,kube-proxy,kube-apiserver, kube-scheduler, kube-controller，輕量易部署，啟動快速，它們構成了從容器運行調度，應用存儲支持，虛擬網絡構成，到用戶交互API等一套完整的容器管理軟件棧。
2014年6月：谷歌宣布kubernetes 開源。
2014年7月：Mircrosoft、Red Hat、IBM、 Docker、 CoreOS、 Mesosphere 和Saltstack 加入kubernetes。
2014年8月： 2014年8月 ：Mesosphere宣布將kubernetes作為frame整合到mesosphere生態系統中，用于Docker容器集群的調度、部署和管理
2014年8月：VMware加入kubernetes社區，Google產品經理 Craig Mcluckie公開表示，VMware將會幫助kubernetes實現利用虛擬化來保證物理主機安全的功能模式。
2014年11月 ： HP加入kubernetes 社區。
2014年11月：Google容器引擎Alpha啟動，谷歌宣布GCE中支持容器及服務，并以kubernetes為構架。
展開 世上沒有完美的架構
微服務可以很好得和容器技術結合，容器技術比微服務出現得晚，但是容器技術的出現讓微服務的實施更加簡便，目前 Docker 已經成為很多微服務實踐的基礎容器。
因為容器的特色，所以一臺機器上可以部署幾十個、幾百個不同的微服務。如果某個微服務流量壓力比其他微服務大，可以在不增加機器的情況下，在一臺機器上多分配一些該微服務的容器實例。
同時，因為 Docker 的容器編排社區日漸成熟，類似 Mesos、Kubernetes 及 Docker 官方提供的 Swarm 都可以作為持續集成部署的技術選擇。
其實從架構的演進的角度來看，整體的演進都是朝著越來越輕量級、越來越靈活的應用方向發展，甚至到近兩年日漸成熟起來的 Serverless（無服務）架構。
從單體服務到分層的服務，再到面向服務、再到微服務甚至無服務，對于架構的挑戰是越來越大。
微服務中的分布式
微服務架構屬于分布式系統嗎？答案是肯定的。微服務和 SOA 都是典型的分布式架構，只不過微服務的部署粒度更細，服務擴展更靈活。
怎樣理解微服務中的分布式？舉一個招聘時一個同學來面試的例子。A 同學說，目前所在公司在做從單應用到微服務架構遷移的工作，已經差不多完成了。
提到微服務感覺就有話題聊了，于是便問：“是否可以簡單描述下服務拆分后的部署結構、底層存儲的拆分、遷移方案？”于是 A 同學說，只是做了代碼工程結構的拆分，還是原來的部署方式，數據庫還是那個庫，所有的微服務都用一個庫，分布式事務處理方式是“避免”，盡量都同步調用……于是我就跟這位同學友好地微笑說再見了。
微服務的分布式不僅僅是容器應用層面的分布式，其為了高度自治，底層的存儲體系也應該互相獨立，并且也不是所有的微服務都需要持久化的存儲服務。
展開 軟件許可優化新潮流：同行都在用的云原生管理新方案！
基于實際使用的Docker容器技術也非常關鍵，每個許可證都被映射為Docker容器，權限管理精確到每位用戶。
運維系統我們選用了Prometheus+Grafana組合，提供強大的實時監控，讓工程師和決策者同步看到資源使用情況。
在安全方面，我們采用了Spring Cloud Gateway網關系統，負責你當地辦理的安全賬戶進行交互驗證。
配套微服務支持，我們精選了Spring Boot+Spring Cloud全家桶。
為什么用這些組件？主要有幾點考慮：
技術成熟度：這些組件都是經過數百萬開發者驗證的，不用擔心底層邏輯是否穩定。
通信協議一致性：它們運行在同一個網絡體系下，能無縫交互，減少因為協議不一致導致的系統瓶頸。
易用性：很多組件提供圖形式部署界面，特別適合我這樣沒有超強開發資源的一線專家應用。
實施方案回顧，還有哪些要點需要注意
說到底，這是一套靈活架構，但也需要謹慎部署。作為一線開發者，我認為要注意這些：
這不是一勞永逸的項目，而是動態調整的進程。部署后建立每月一次的資源利用率評估機制，作為調整許可證池的依據。
其次是配套實施考慮在線培訓。東華就是采取了線上線下結合模式，不僅培訓技術團隊，也培訓使用人員，讓大家掌握如何在適當時機申請暫用權限、如何快速釋放許可證等。
在安全機制方面，我們采用二次加密驗證系統，不僅面向用戶側，也要覆蓋關鍵服務器。重要的是數據一旦傳送到云端，需要進行脫敏處理，確保隱私信息安全。
總的軟件許可優化的云原生管理已經成為業界熱點方式。人工智能企業越來越多地加入這個領域，我會毫不夸張地說，明年再看到這種方案的市場份額就能夠翻一番。
如果你正在考慮許可優化，我你別再觀望了——新版系統支持API接口，接入你現有的人力資源模塊，最大化的利用現有系統和資源。
展開 漫談大型網站架構
從實體機到虛擬機再到當前流行的Docker技術，從單機房到同城多機房再到異地多活，從LAMP到J2EE再到各種分布式中間件如服務框架、分布式消息隊列、配置管理中間件、分布式數據訪問層，由簡至繁的艱難蛻變，也正是一個網站從小變大由弱變強的成長歷程，哪里有挑戰，哪里才會有變革，這正是作為技術人建功立業的時刻。
規模不斷擴大，但成本不可能隨之線性增長，因此，如何利用規模效應降低資源成本，抽取公共部分，避免重復造輪子，提高開發效率和響應速度，成了必須思考的問題。技術存在的核心價值就是為了生產力的提高，當技術架構制約了生產力發展，就需要進行技術變革。當前支撐大型網站的幾大核心技術，分布式、服務化、虛擬化，其中分布式解決的是規模化帶來的問題，所謂的規模化即包括數據規模越來越大，訪問量越來越高，也包括開發團隊規模越來越大，工程代碼規模越來越大。
單機的存儲能力以及負載能力必然有限，從PC到小型機再到中型機、大型機，成本將成指數級升高，而成百上千人開發同一個工程，則導致系統臃腫，開發、發布效率極低，互聯網將喪失了賴以生存的靈活性，回到以前傳統軟件的開發模式。通過應用垂直拆分，集群分布式水平擴展，不僅使系統容量得到提升，存儲和負載將分配到大規模的廉價集群上，以降低成本，開發效率和開發模式也得到改變。
通過公共業務抽取，將誕生一批處于系統底層的基礎服務，避免相同的內容重復造輪子，提高開發效率。作為大型網站架構中最重要的中間件，服務化框架簡化了服務調用所涉及的對象序列化與反序列化，通信協議，服務路由等操作，以及到后來誕生的一個新名詞—服務治理，去梳理服務的依賴關系、調用鏈路、強弱依賴等等更復雜的問題。
展開 