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：

1. 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；
2. 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；
3. 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；
4. 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；
5. 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）;
6. 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。

 Docker的安装

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：

Docker can build images automatically by reading the instructions from a Dockerfile. A Dockerfile is a text document that contains all the commands a user could call on the command line to assemble an image. Using docker build users can create an automated build that executes several command-line instructions in succession.

下面是一个该文件的示例，使用了jupyter的官方镜像datascience-notebook：

 # 指定基础image
 FROM jupyter/datascience-notebook:03b897d05f16
 MAINTAINER Xin Xiong <xiongxin20008@126.com>

 # 替换CRAN镜像为国内的镜像，可以更快的安装R packages
 ARG CRAN_MIRROR=https://mirrors.tuna.tsinghua.edu.cn/CRAN/

 # 由于要安装程序，使用root身份
 USER root

 # install Java
 RUN \
   apt-get update -qq && \
   apt-get install -y openjdk-8-jdk  && \
   apt-get install -y mlocate && updatedb && \
   rm -rf /var/lib/apt/lists/*

 # 为安装rJava做准备
 # need using ln to avoid some errors, such as conftest.c:1:10: fatal error: jni.h: No such file or directory
 RUN \
   ln -s /usr/lib/jvm/java-8-openjdk-amd64/include/jni.h /opt/conda/include/ && \
   ln -s /usr/lib/jvm/java-8-openjdk-amd64/include/linux/jni_md.h /opt/conda/include/  && \
   ln -s /usr/lib/jvm/java-8-openjdk-amd64/jre/lib/amd64/server/libjvm.so /usr/lib/ && \
   R CMD javareconf

 # 添加本地文件夹package到镜像中的/src
 ADD ./package/ /src/

 # link lib
 RUN \
   ln -s /opt/conda/lib/libpcre.so /usr/lib/  && \
   ln -s /opt/conda/lib/liblzma.so /usr/lib/  && \
   ln -s /opt/conda/lib/libbz2.so /usr/lib/  && \
   ln -s /opt/conda/lib/libz.so /usr/lib/  && \
   ln -s /opt/conda/lib/libiconv.so /usr/lib/  && \
   ln -s /opt/conda/lib/libicuuc.so /usr/lib/  && \
   ln -s /opt/conda/lib/libicui18n.so /usr/lib/

 # 安装前面添加到镜像/src文件夹中rpacks.txt文件中的R package
 # 且使用国内的镜像地址CRAN_MIRROR
 RUN \
   cd /src && \
   R -e 'install.packages(sub("(.+)\\\\n","\\1", scan("rpacks.txt", "character")), repos="'"${CRAN_MIRROR}"'")'

 # 安装前面添加到镜像/src文件夹中requirements.txt文件中的Python package
 RUN \
   cd /src && \
   pip --no-cache-dir install -r requirements.txt && \
   rm -rf /root/.cache

 # 直接使用conda安装Python package
 RUN conda install -c rdkit rdkit

 # 切换到默认普通用户
 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

FROM <镜像>:<标签>  指定基础镜像为该镜像的一个标签版本，上面例子中的第2行

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：

 version: '2.2'

 services:
   jupyterlab:
     image: onlybelter/ds-notebook
     command: /bin/bash -c "jupyter lab --no-browser --ip=0.0.0.0 --notebook-dir=/mnt/notebook"
     cpus: 16
     mem_limit: 8g
     volumes:
       - /mnt/home/belter/github/jupyter-note:/mnt/notebook
       - /etc/localtime:/etc/localtime:ro
     environment:
       - PYTHONUNBUFFERED=1
     ports:
       - 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 ::06.567 LabApp] Writing notebook server cookie secret to /home/jovyan/.local/share/jupyter/runtime/notebook_cookie_secret
jupyterlab_1  | [I ::06.731 LabApp] JupyterLab beta preview extension loaded from /opt/conda/lib/python3./site-packages/jupyterlab
jupyterlab_1  | [I ::06.731 LabApp] JupyterLab application directory is /opt/conda/share/jupyter/lab
jupyterlab_1  | [W ::06.737 LabApp] JupyterLab server extension not enabled, manually loading...
jupyterlab_1  | [I ::06.737 LabApp] JupyterLab beta preview extension loaded from /opt/conda/lib/python3./site-packages/jupyterlab
jupyterlab_1  | [I ::06.737 LabApp] JupyterLab application directory is /opt/conda/share/jupyter/lab
jupyterlab_1  | [I ::06.744 LabApp] Serving notebooks from local directory: /mnt/notebook
jupyterlab_1  | [I ::06.744 LabApp]  active kernels
jupyterlab_1  | [I ::06.744 LabApp] The Jupyter Notebook is running at:
jupyterlab_1  | [I ::06.744 LabApp] http://1c7e68e582c4:8888/?token=3bda623azj07414dbcf58bf977e2c2855158bd052f77afa2
jupyterlab_1  | [I ::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/