


Pengalaman Saya dengan Persekitaran Maya, Docker dan Skrip Shell
Minggu ini, saya mempunyai tugasan yang menarik di mana rakan sekelas saya dan saya perlu menambah ciri pada projek sumber terbuka masing-masing. Namun, apabila rakan sekelas saya cuba menjalankan projek saya, dia mengalami masalah pergantungan yang teruk yang menyebabkan keseluruhan apl ranap. Selepas sedikit berulang-alik, kami berjaya membetulkannya dengan menggunakan gabungan persekitaran maya, Docker dan skrip shell mudah. Mari pecahkan perkara yang berlaku dan cara alatan ini boleh menjadikan hidup anda lebih mudah.
1. Persekitaran Maya
Jika anda menggunakan Python, persekitaran maya adalah satu kemestian. Mereka pada asasnya mencipta ruang terpencil di mana anda boleh memasang pakej untuk projek anda tanpa mengacaukan persediaan Python global anda. Ia seperti mempunyai taman permainan Python anda sendiri di mana anda boleh menambah dan mengalih keluar pakej dengan selamat.
Berikut ialah ringkasan ringkas tentang cara menyediakannya:
python3 -m venv venv source venv/bin/activate # For Windows, use: venv\Scripts\activate
Selepas itu, anda boleh memasang semua pakej anda menggunakan pip:
<p>pip install -r requirements.txt</p>
Mengapa Menggunakan Persekitaran Maya?
- Simpan Perkara Yang Kemas: Persekitaran maya memastikan kebergantungan projek anda berasingan, jadi projek yang berbeza tidak memijak kaki satu sama lain.
- Kekal di Halaman Yang Sama: Anda boleh membuat fail requirements.txt untuk memastikan semua orang dalam pasukan menggunakan versi pakej yang sama.
Apabila Mereka Jatuh
Kadangkala, walaupun dengan persekitaran maya, perkara masih boleh menjadi salah – seperti yang mereka lakukan untuk kita! Kebergantungan masih ranap kerana ia lebih merupakan isu peringkat sistem (ugh). Di situlah Docker datang untuk menyelamatkan hari ini.
2. Pelabuhan
Docker mencipta bekas yang membungkus apl anda dan semua kebergantungannya, termasuk pustaka sistem. Ini bermakna ia akan berjalan dengan cara yang sama pada setiap mesin.
Begini rupa Fail Docker asas kami:
<p># Use a lightweight Python image<br> FROM python:3.9-slim</p> <p># Set up a working directory<br> WORKDIR /usr/src/app</p> <p># Copy over the application files<br> COPY . .</p> <p># Install dependencies<br> RUN pip install --no-cache-dir -r requirements.txt</p> <p># Run the application<br> CMD ["python", "app.py"]</p>
Kelebihan Docker
- Ketekalan: Tidak kira sistem yang anda gunakan – Docker memastikan apl anda berjalan sama di mana-mana sahaja.
- Tiada Kejutan: Docker menyertakan semua perpustakaan sistem dan kebergantungan, jadi anda tidak akan terkena ralat "pustaka hilang" yang menjengkelkan itu.
- Mudah Dikongsi: Anda boleh berkongsi persediaan Docker anda dengan orang lain, dan mereka hanya perlu menjalankan beberapa arahan mudah untuk bermula.
Menjalankan Apl dengan Docker
Bina dan jalankan bekas Docker dengan arahan ini:
<p>docker build -t my-python-app .<br> docker run -p 5000:5000 my-python-app</p>
- Skrip Shell
Skrip Shell adalah seperti pembantu peribadi projek anda. Mereka mengendalikan semua perkara persediaan yang membosankan untuk anda. Saya menyiapkan skrip ringkas (setup.sh) yang menyediakan persekitaran maya, memasang kebergantungan, membina imej Docker dan menjalankan bekas. Begini rupanya:
<p>#!/bin/bash</p> <p># Set up virtual environment<br> python3 -m venv venv<br> source venv/bin/activate</p> <p># Install dependencies<br> pip install -r requirements.txt</p> <p># Build Docker image<br> docker build -t my-python-app .</p> <p># Run Docker container<br> docker run -p 5000:5000 my-python-app</p>
Mengapa Bersusah payah dengan Skrip Shell?
- Satu Perintah untuk Memerintah Mereka Semua: Daripada menjalankan sekumpulan arahan, anda hanya menjalankan skrip dan ia menguruskan segala-galanya.
- Tiada Kesilapan Lagi: Mengautomasikan proses persediaan bermakna anda kurang berkemungkinan melakukan ralat.
- Berfungsi Di Mana-mana: Skrip ini boleh digunakan pada Linux, macOS atau Windows (jika anda mempunyai Bash).
TL;DR: Bila Menggunakan Apa
- Persekitaran Maya: Bagus untuk menguruskan pakej Python. Gunakannya apabila anda perlu mengasingkan kebergantungan tetapi tidak memerlukan perpustakaan peringkat sistem.
- Docker: Sesuai untuk apabila anda memerlukan persekitaran yang konsisten merentas mesin yang berbeza. Ia mengemas semua yang apl anda perlukan untuk dijalankan.
- Skrip Shell: Berguna untuk mengautomasikan keseluruhan proses persediaan supaya anda tidak terlepas langkah.
Menyediakan persekitaran pembangunan boleh menjadi pening kepala, terutamanya apabila bekerjasama. Persekitaran maya adalah langkah pertama yang kukuh, tetapi apabila keadaan menjadi rumit, Docker adalah cara yang perlu dilakukan. Dan untuk menyatukan semuanya, skrip shell boleh menjadikan semuanya berjalan lancar.
Semoga ini membantu sesiapa sahaja yang menghadapi masalah yang sama! Jika anda mempunyai cara lain untuk mengatasi masalah seperti ini, beritahu saya dalam komen di bawah. Saya ingin mendengar daripada anda.
Atas ialah kandungan terperinci Pengalaman Saya dengan Persekitaran Maya, Docker dan Skrip Shell. 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

AI Hentai Generator
Menjana ai hentai secara percuma.

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

Cara Menggunakan Python untuk Mencari Pengagihan Zipf Fail Teks

Bagaimana saya menggunakan sup yang indah untuk menghuraikan html?

Cara Bekerja Dengan Dokumen PDF Menggunakan Python

Cara Cache Menggunakan Redis dalam Aplikasi Django

Memperkenalkan Toolkit Bahasa Alam (NLTK)

Bagaimana untuk melakukan pembelajaran mendalam dengan Tensorflow atau Pytorch?
