Docker入门指南：从安装到部署Python Flask应用-代码聚汇网

Docker入门指南：从安装到部署Python Flask应用

戈玄白今天要做题·2026-08-27·阅读 23 GEO检测（免费）

Docker容器化云原生

|难度：普通|阅读约 20 分钟

1. 为什么选择Docker作为云原生入门的第一步？

当我在2016年第一次接触容器技术时，就被Docker的"一次构建，到处运行"理念深深吸引。作为云原生技术栈的基石，Docker解决了传统应用部署中最令人头疼的环境一致性问题。记得当时为了在测试服务器上部署一个Python Flask应用，我花了整整两天时间调试各种依赖冲突，而Docker只用了一个Dockerfile就完美复现了开发环境。

Docker的核心价值在于它通过容器化技术将应用与其运行环境打包成一个轻量级、可移植的单元。与虚拟机相比，容器共享主机操作系统内核，不需要为每个应用分配完整的操作系统资源，这使得容器启动速度极快（通常只需毫秒级），资源占用也更少。根据Docker官方基准测试，在相同硬件条件下，容器部署的密度可以达到虚拟机的4-6倍。

对于初学者而言，Docker的学习曲线相对平缓。你不需要立即理解Kubernetes的复杂调度机制或Service Mesh的流量管理，只需掌握几个基础命令就能完成应用的打包和运行。这种即时反馈对保持学习动力非常重要。我建议从单容器应用开始，逐步过渡到多容器编排，这是最符合认知规律的学习路径。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 环境准备：Docker安装与配置详解

2.1 系统要求与安装选择

在安装Docker之前，需要确保你的系统满足以下基本要求：

64位操作系统（Windows 10/11 Pro/Enterprise或macOS 10.15+，Linux内核3.10+）
对于Windows/macOS，需要开启硬件虚拟化支持（VT-x/AMD-V）
至少4GB内存（建议8GB以上）
20GB可用磁盘空间

对于不同操作系统，Docker提供了多种安装方式：

Windows：Docker Desktop for Windows（推荐WSL2后端）
macOS：Docker Desktop for Mac（基于HyperKit虚拟化）
Linux：直接通过包管理器安装（如apt-get install docker-ce）

提示：Windows家庭版用户需要先安装WSL2才能使用Docker Desktop。可以通过管理员权限运行wsl --install命令来启用。

2.2 逐步安装指南（以Ubuntu为例）

对于Linux用户，我推荐使用官方提供的便捷安装脚本：

bash复制# 卸载旧版本（如有）
sudo apt-get remove docker docker-engine docker.io containerd runc

# 安装依赖工具
sudo apt-get update
sudo apt-get install ca-certificates curl gnupg lsb-release

# 添加Docker官方GPG密钥
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

# 设置稳定版仓库
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 安装Docker引擎
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 验证安装
sudo docker run hello-world

安装完成后，建议将当前用户加入docker组以避免每次使用sudo：

bash复制sudo usermod -aG docker $USER
newgrp docker  # 立即生效

2.3 常见安装问题排查

问题1：Docker Desktop启动失败，提示"Virtualization support not detected"

解决方案：

进入BIOS设置（开机时按F2/Del等键）
找到Intel VT-x或AMD-V选项并启用
对于Windows，还需在"启用或关闭Windows功能"中勾选"Hyper-V"和"Windows虚拟机监控平台"

问题2：镜像拉取速度慢

可以通过配置国内镜像源加速：

bash复制# 创建或修改/etc/docker/daemon.json
{
  "registry-mirrors": [
    "https://hub-mirror.c.163.com",
    "https://mirror.baidubce.com"
  ]
}
# 重启服务
sudo systemctl restart docker

3. 第一个Docker应用：Python Flask示例

3.1 应用代码准备

我们先创建一个简单的Python Flask应用。新建项目目录并创建以下文件：

app.py

python复制from flask import Flask
app = Flask(__name__)

@app.route('/')
def hello():
    return "Hello, Docker! My first containerized app."

if __name__ == '__main__':
    app.run(host="0.0.0.0", port=5000)

requirements.txt

code复制flask==2.0.1

3.2 Dockerfile编写详解

Dockerfile是构建镜像的蓝图，下面逐行解释一个标准的Python应用Dockerfile：

dockerfile复制# 第一阶段：构建环境
FROM python:3.9-slim as builder

WORKDIR /app
COPY requirements.txt .
RUN pip install --user -r requirements.txt

# 第二阶段：运行环境
FROM python:3.9-slim
WORKDIR /app

# 从构建阶段复制已安装的包
COPY --from=builder /root/.local /root/.local
COPY . .

# 确保脚本可执行
ENV PATH=/root/.local/bin:$PATH
ENV FLASK_APP=app.py

# 暴露端口
EXPOSE 5000

# 运行命令
CMD ["flask", "run", "--host=0.0.0.0"]

这个Dockerfile采用了多阶段构建技术，可以有效减小最终镜像体积（从约300MB减少到约120MB）。关键指令说明：

FROM：指定基础镜像，这里使用官方的Python轻量版
WORKDIR：设置容器内的工作目录
COPY：将主机文件复制到容器内
RUN：执行构建命令（安装依赖）
EXPOSE：声明容器运行时监听的端口
CMD：容器启动时执行的默认命令

3.3 构建与运行完整流程

bash复制docker build -t my-flask-app .

查看构建好的镜像：

bash复制docker images

输出应类似：

code复制REPOSITORY     TAG       IMAGE ID       CREATED         SIZE
my-flask-app   latest    abc123def456   2 minutes ago   125MB

运行容器：

bash复制docker run -d -p 5000:5000 --name flask-app my-flask-app

参数说明：

-d：后台运行
-p 5000:5000：将主机5000端口映射到容器5000端口
--name：为容器指定名称

验证应用：

bash复制curl http://localhost:5000
# 或浏览器访问 http://localhost:5000

4. Docker核心概念深度解析

4.1 镜像(Image)与容器(Container)的关系

理解镜像和容器的区别是掌握Docker的关键。我用一个生动的比喻：镜像就像面向对象编程中的"类"，而容器则是这个类的"实例"。

镜像特点：

只读模板，包含运行应用所需的所有依赖和配置
采用分层存储结构，每层都是前一层的变化集
通过Dockerfile构建或从仓库拉取

容器特点：

镜像的可运行实例
在镜像层之上添加一个可写层（容器层）
生命周期包括创建、启动、停止、删除等状态

查看容器详细信息：

bash复制docker inspect flask-app

4.2 数据持久化：卷(Volume)与绑定挂载

容器默认使用临时存储，重启后数据会丢失。持久化数据的两种主要方式：

1. 命名卷（推荐方式）

bash复制# 创建卷
docker volume create mydata

# 使用卷
docker run -d -v mydata:/app/data my-flask-app

2. 绑定挂载（开发时常用）

bash复制docker run -d -v /path/on/host:/path/in/container my-flask-app

实际项目中，数据库等有状态服务必须使用卷持久化数据。我曾在一个早期项目中忘记配置卷，导致生产环境数据库容器重启后所有数据丢失，教训惨痛。

4.3 网络模式与容器通信

Docker提供了多种网络模式：

网络模式	说明	适用场景
bridge	默认模式，通过docker0虚拟网桥通信	单主机多容器通信
host	直接使用主机网络栈	需要高性能网络的应用
none	无网络配置	特殊安全需求
overlay	多主机容器网络	Swarm/Kubernetes集群

查看网络配置：

bash复制docker network ls
docker network inspect bridge

容器间通信示例：

bash复制# 创建自定义网络
docker network create mynet

# 运行两个容器并加入同一网络
docker run -d --net mynet --name app1 my-flask-app
docker run -it --net mynet alpine ping app1

5. 生产环境进阶实践

5.1 使用Docker Compose编排多容器应用

当应用包含多个服务（如Web应用+数据库）时，Docker Compose是更好的选择。创建docker-compose.yml：

yaml复制version: '3.8'

services:
  web:
    build: .
    ports:
      - "5000:5000"
    volumes:
      - .:/app
    environment:
      - FLASK_ENV=development
    depends_on:
      - redis

  redis:
    image: redis:alpine
    volumes:
      - redis_data:/data

volumes:
  redis_data:

启动服务：

bash复制docker compose up -d

5.2 镜像优化技巧

生产环境镜像应遵循以下原则：

使用小型基础镜像（如alpine、slim版本）
多阶段构建分离构建环境和运行环境
合并RUN指令减少镜像层数
使用.dockerignore文件排除无关文件

优化后的Dockerfile示例：

dockerfile复制# 构建阶段
FROM python:3.9 as builder
WORKDIR /app
COPY requirements.txt .
RUN pip install --user -r requirements.txt

# 运行阶段
FROM python:3.9-alpine
WORKDIR /app
COPY --from=builder /root/.local /root/.local
COPY --from=builder /app/requirements.txt .
COPY . .
ENV PATH=/root/.local/bin:$PATH \
    FLASK_APP=app.py \
    FLASK_ENV=production
EXPOSE 5000
USER nobody  # 不使用root运行
CMD ["flask", "run", "--host=0.0.0.0"]

5.3 监控与日志管理

查看容器日志：

bash复制docker logs -f flask-app

资源监控：

bash复制docker stats

Prometheus监控配置：

dockerfile复制# 在Dockerfile中添加
EXPOSE 9100
CMD ["flask", "run", "--host=0.0.0.0", "--with-metrics"]

6. 从Docker到云原生技术栈

掌握了Docker基础后，你可以逐步探索更完整的云原生技术栈：

容器编排：Kubernetes或Docker Swarm管理大规模容器集群
服务网格：Istio或Linkerd处理服务间通信
CI/CD：GitHub Actions或GitLab CI实现自动化构建部署
无服务器架构：Knative或AWS Lambda基于事件的运行模式

我个人的学习路线建议是：Docker → Docker Compose → Kubernetes基础 → Helm包管理 → 监控日志系统。每个阶段都要通过实际项目巩固，比如用Docker部署一个微服务电商系统，再用Kubernetes管理它。

在容器化过程中，最大的挑战往往不是技术本身，而是应用架构的改造。传统的单体应用需要拆分为微服务，配置管理需要从文件改为环境变量，日志需要从本地文件改为集中式收集。这些架构层面的改变比学会Docker命令更重要，也需要更多实践经验积累。