docker和python和Es的完美集合_01

最新推荐文章于 2024-11-13 18:23:02 发布
最新推荐文章于 2024-11-13 18:23:02 发布
阅读量170 收藏
点赞数
文章标签： docker python elasticsearch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/feiyu361/article/details/120162359
版权
本文档介绍了如何在Python环境中利用Docker安装Elasticsearch和Kibana，以及如何进行基本的数据操作，如创建索引、导入文档、搜索、过滤和聚合分析。通过示例代码展示了如何使用Python的Elasticsearch库连接到ES集群，进行数据的增删查改，并演示了全文搜索、精确匹配和范围过滤等查询技巧。
摘要由CSDN通过智能技术生成

文章目录

创建一个 python 项目,(需要电脑有py和docker)

docker的安装
创建目录
mkdir python-elasticsearch
cd python-elasticsearch

pip安装 elasticsearch 包：

pip3 install elasticsearch

安装 Elasticsearch 及 Kibana

在文件夹种创建docker-compose.yml 的文件

---
version: "3"
services:
  elasticsearch:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.10.0
    container_name: es01
    environment:
      - node.name=es01
      - cluster.name=docker-cluster
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
      - discovery.type=single-node
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - esdata:/usr/share/elasticsearch/data
    ports:
      - 9200:9200
 
  kibana:
    image: docker.elastic.co/kibana/kibana:7.10.0
    ports:
      - 5601:5601
    depends_on:
      - elasticsearch
 
volumes:
  esdata:
    driver: local

命令行中执行

docker-compose up

在这里插入图片描述
验证是否安装成功:

http://localhost:9200 

http://localhost:5601

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8Rf02jSK-1631005954537)(https://img-blog.csdnim.cn/b9a08ea0d39541469b9e9e0b8dbd0e1c.png)]

用py连接到 Elasticsearch

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)

创建索引并导入文档

Elasticsearch 是面向文档的，这意味着它存储了整个对象或文档。 它不仅存储它们，而且索引每个文档的内容以使其可搜索。 在 Elasticsearch 中，你可以对文档进行索引，搜索，排序和过滤。
Elasticsearch 使用 JSON 作为文档的序列化格式。现在让我们开始索引员工文档。在 Elasticsearch 中存储数据的行为称为索引编制。 Elasticsearch 集群可以包含多个索引，而索引又包含一个类型。 这些类型包含多个文档，并且每个文档都有多个字段。如果你想了解更多这些概念，请阅读我之前的文章 “Elasticsearch 中的一些重要概念: cluster, node, index, document, shards 及 replica”。

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc',id=1,body = e1)
print(res)

运行结果如下,result 字段的结果 created 中，可以看出来一个新的文档已经被生成,通过 Kibana 来进行查看:在这里插入图片描述
需要自行搜索:
在这里插入图片描述
在面板左边输入:

GET megacorp/_search

在这里插入图片描述
在实际的使用中，指定 id 会带来导入效率的降低,所以我们不要指定id

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', body = e1)
print(res)

运行代码,显示 result 为 created:
在这里插入图片描述
GET megacorp/_search
在这里插入图片描述

插入更多的文档数据

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
print(res['result'])

在这里插入图片描述
第一个文档插入时，由于 id 为 1 的文档已经是存在，再次进行插入时，返回的结果为 updated，而对于下面的两个文档来说，它们都是第一次被创建所以是 created

获取一个文档

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
print(res['result'])
 
res = es.get(index='megacorp', doc_type = '_doc', id = 3)
print(res)

在上面，我们添加了获取 id 为 3 的文档, _source 字段中可以发现之前输入文档的内容：
在这里插入图片描述

删除一个文档

res = es.delete(index = 'megacorp',doc_type='_doc', id = 3)
print(res['result'])

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
print(res['result'])
 
res = es.get(index='megacorp', doc_type = '_doc', id = 3)
print(res)
 
# Delete a doc with id = 3
res = es.delete(index = 'megacorp',doc_type='_doc', id = 3)
print(res['result'])

在这里插入图片描述

搜索文档,它们在 hits 字段中被展示。

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
print(res['result'])
 
res = es.get(index='megacorp', doc_type = '_doc', id = 3)
print(res)
 
# Delete a doc with id = 3
res = es.delete(index = 'megacorp',doc_type='_doc', id = 3)
print(res['result'])
 
#查询所有文档
# Search all of the available documents
res = es.search(index = 'megacorp', body = {'query': {"match_all": {}} } )
print(res['hits'])

match 操作符,查询index是megacorp并且(‘first_name’:‘nitin’)的

# Search for a document with first_name = nitin
res= es.search(index = 'megacorp', body = {'query':{'match':{'first_name':'nitin'}}})
print(res['hits']['hits'])

bool 操作符

bool 使用字典，其中至少包含 must，should 和 must_not 中的一个，每个字典都包含匹配列表或其他进一步的搜索运算符。

res= es.search(index = 'megacorp', body = {
        'query':{
            'bool':{
                'must':[{
                        'match':{
                            'first_name':'nitin'
                        }
                    }]
            }
        }
    })
print(res['hits']['hits'])

详细代码如下:

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
#print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
#print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
#print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
#print(res['result'])
 
res = es.get(index='megacorp', doc_type = '_doc', id = 3)
#print(res)
 
# Delete a doc with id = 3
res = es.delete(index = 'megacorp',doc_type='_doc', id = 3)
#print(res['result'])
 
# Search all of the available documents
res = es.search(index = 'megacorp', body = {'query': {"match_all": {}} } )
#print(res['hits'])
 
# Search for a document with first_name = nitin
res= es.search(index = 'megacorp', body = {'query':{'match':{'first_name':'nitin'}}})
#print(res['hits']['hits'])
 
res= es.search(index = 'megacorp', body = {
        'query':{
            'bool':{
                'must':[{
                        'match':{
                            'first_name':'nitin'
                        }
                    }]
            }
        }
    })
 
print(res['hits']['hits'])

filter 操作符,过滤器,大于小于,需要用range范围字段

res= es.search(index = 'megacorp', body = {
        'query':{
            'bool':{
                'must':{
                    'match':{
                        'first_name':'nitin'
                    }
                },
                "filter":{
                    "range":{
                        "age":{
                            "gt":25
                        }
                    }
                }
            }
        }
    })
 
print(res['hits']['hits'])

全文搜索,about:查询字节

# Import Elasticsearch package
from elasticsearch import Elasticsearch
 
# Connect to the elastic cluster
es = Elasticsearch([{'host':'localhost','port':9200}])
#print(es)
 
e1 = {
    "first_name":"nitin",
    "last_name":"panwar",
    "age": 27,
    "about": "Love to play cricket",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type ='_doc', id = 1, body = e1)
#print(res['result'])
 
e2 = {
    "first_name" :  "Jane",
    "last_name" :   "Smith",
    "age" :         32,
    "about" :       "I like to collect rock albums",
    "interests":  [ "music" ]
}
e3 = {
    "first_name" :  "Douglas",
    "last_name" :   "Fir",
    "age" :         35,
    "about":        "I like to build cabinets",
    "interests":  [ "forestry" ]
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 2,body = e2)
#print(res['result'])
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 3, body = e3)
#print(res['result'])
 
res = es.get(index='megacorp', doc_type = '_doc', id = 3)
#print(res)
 
# Delete a doc with id = 3
res = es.delete(index = 'megacorp',doc_type='_doc', id = 3)
#print(res['result'])
 
# Search all of the available documents
res = es.search(index = 'megacorp', body = {'query': {"match_all": {}} } )
#print(res['hits'])
 
# Search for a document with first_name = nitin
res= es.search(index = 'megacorp', body = {'query':{'match':{'first_name':'nitin'}}})
#print(res['hits']['hits'])
 
res= es.search(index = 'megacorp', body = {
        'query':{
            'bool':{
                'must':[{
                        'match':{
                            'first_name':'nitin'
                        }
                    }]
            }
        }
    })
 
# print(res['hits']['hits'])
 
res= es.search(index = 'megacorp', body = {
        'query':{
            'bool':{
                'must':{
                    'match':{
                        'first_name':'nitin'
                    }
                },
                "filter":{
                    "range":{
                        "age":{
                            "gt":27
                        }
                    }
                }
            }
        }
    })
 
# print(res['hits']['hits'])
 
e4 = {
    "first_name":"asd",
    "last_name":"pafdfd",
    "age": 27,
    "about": "Love to play football",
    "interests": ['sports','music'],
}
 
res = es.index(index = 'megacorp', doc_type = '_doc', id = 4, body = e4)
print(res['result'])
 
res = es.search( index = 'megacorp', body = {
        'query':{
            'match':{
                "about":"play cricket"
            }
        }
    })
 
for hit in res['hits']['hits']:
    print(hit['_source']['about'])
    print(hit['_score'])
    print('**********************')

搜索到的结果如下:
在这里插入图片描述

Phrase search,确切顺序搜索,只有3个

res= es.search(index = 'megacorp', body = {
        'query':{
            'match_phrase':{
                "about":"play cricket"
            }
        }
    })
 
for hit in res['hits']['hits']:
    print(hit['_source']['about'])
    print(hit['_score'])
    print('**********************')

聚合

Elasticsearch 具有称为聚合的功能，该功能使你可以对数据进行复杂的分析。 它与 SQ L中的 “Group By” 相似，但功能更强大。

res= es.search(index = 'megacorp', body = {
        "aggs": {
            "all_interests": {
            "terms": { "field": "interests.keyword" }
            }
        }
    })
 
print(res)

第一篇,完结!

feiyu361
关注
mongodb-elasticsearch-connector:将 MongoDB 集合导出到 Elasticsearch 的 Python 脚本
05-29
mongodb-elasticsearch-connector 将 MongoDB 集合导出到 Elasticsearch 的 Python 脚本。用法所有配置选项都可以设置为命令行参数或环境变量。 至少必须设置collection和database 。 可以使用mongodb_elasticsearch...
ES（Elasticsearch）基本查询总结(含docker安装,python操作)
热门推荐
全栈工程师开发手册（原创）https://github.com/tencentmusic/cube-studio
10-26 2万+
ES与数据库比较 查询操作 Elasticsearch中当我们设置Mapping（分词器、字段类型）完毕后，就可以按照设定的方式导入数据。 有了数据后，我们就需要对数据进行检索操作。根据实际开发需要，往往我们需要支持包含但不限于以下类型的检索： 1）精确匹配，类似mysql中的 “=”操作； 2）模糊匹配，类似mysql中的”like %关键词% “查询操作； 3）前缀匹配； 4）通配符匹配；...
上穷碧落下凡尘:Win10系统下基于Docker配置Elasticsearch7配合Python3进行全文检索交互
刘悦的技术博客
07-21 414
答案当然是不可能的，因为Elasticsearch没有事务，而且是查询是近实时，写入速度很慢，只是读取数据快，成本也比数据库高，几乎就在靠吃内存提高性能，它目前只是作为搜索引擎的存在，如果你的业务涉及全文检索，那么它就是你的首选方案之一。插入数据，Elasticsearch 就像 MongoDB 一样，在插入数据的时候可以直接插入结构化字典数据，插入数据可以调用 index() 方法，这里索引和数据是强关联的，所以插入时需要指定之前建立好的索引。而 ES 会找到这个文件，然后开始按你指定的参数运行。
Docker下部署ElasticSearch以及ES-Head
Phantom丶LF的专栏
05-05 4729
一.ElasticSearch部署 1.1 拉取镜像 es默认是没有latest版本的，这里需要指定一个版本号6.3.2，当然也可以用docker search elasticsearch查找可用的版本 docker pull docker.elastic.co/elasticsearch/elasticsearch:6.3.2 1.2 运行容器 ElasticSearch的默认端口...
python3 docker es搜索 使用
PHP代码的博客
05-23 188
docker pull docker.elastic.co/elasticsearch/elasticsearch:7.3.0（7.3.0为最新版本号） 5:使用镜像创建容器，启动elasticsearch服务 分两种方式，开发者模式和生产模式，开发者不需要配置太多，直接一行命令搞定，生产模式需要更多的配置 开发者模式 1:创建网络docker network create esnet 2 创建并启动elasticsearch容器 查看镜像:docker images 创建运行docker...
docker 安装 ES(elasticsearch)
weixin_45637293的博客
03-05 2698
1.版本声明 docker pull elasticsearch:5.6.8(镜像570MB /6.5.2 773MB) 2.安装 docker run -di --name=elasticsearch -p 9200:9200 -p 9300:9300 elasticsearch:5.6.8 3.测试 4.配置环境 docker exec -it changgou_elasticsearc...
jun_linux:Linux运维安装工具及脚本，项目基于shell、python，运维脚本、docker脚本、各种工具库，收集各类运维常用工具脚本，实现快速安装nginx、mysql、php、redis、tomcat、gcc、gitlib、mq、dfs、k8s、jdk等（Python开发、DjangoWeb开发、爬虫、小工具、PyQt、大数据分析、AI智能、Python代码生成）
04-29
【jun_linux】是一个综合性的Linux运维工具集合，它包含了基于Shell和Python的脚本，用于自动化运维、Docker管理以及各种工具的安装。这个项目旨在为系统管理员提供一个方便的平台，快速部署和配置常见的服务器软件...
450+ AWS，Hadoop，云，Kafka，Docker，Elasticsearch，RabbitMQ，Redis，HBase，Solr，Cassandra，ZooKeeper，HDFS，Yarn，Hive，Presto，Drill，Impala，Consul，Spark，Jenkins，Travis CI，Git，MySQL ，Linux，DNS，Whois，SSL证书，Yum安全更新，Kubernetes，Cloudera等...-Python开发
05-25
450+ AWS，Hadoop，云，Kafka，Docker，Elasticsearch，RabbitMQ，Redis，HBase，Solr，Cassandra，ZooKeeper，HDFS，Yarn，Hive，Presto，Drill，Impala，Consul，Spark，Jenkins，Travis CI，Git，MySQL ，Linux，...
devops_tutorials
03-06
Python有许多库，如Sentry用于错误追踪，Prometheus和Grafana用于指标收集和可视化，以及Logstash和ELK（Elasticsearch、Logstash、Kibana）堆栈用于日志处理。通过这些工具，团队可以实时了解系统状态，及时发现和...
DevOps_Lviv_2020_FinalTask:最后的任务
03-27
7. **监控与日志管理**：使用Prometheus和Grafana进行性能监控，使用Elasticsearch、Logstash和Kibana(ELK栈)进行日志收集和分析。 8. **安全与合规性**：了解如何在DevOps流程中融入安全性，比如使用Docker安全...
【Docker】‘docker‘ 不是内部或外部命令，也不是可运行的程序 或 批处理文件
墨苒孤的博客
11-12 215
不是内部或外部命令，也不是可运行的程序 或批处理文件。解决办法，在系统环境变量中配置。报错原因是，环境变量没配置。
Docker 安装 Apache
wjs2024的博客
11-12 892
Docker 是一个开源的应用容器引擎，它允许开发者打包他们的应用以及应用的依赖包到一个可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口。Apache HTTP Server 是一个开源的网页服务器，可以在大多数计算机操作系统上运行，由于其跨平台和安全性高的特点，被广泛使用。它支持多种模块，可以通过加载不同的模块来支持多种功能，如 SSL 加密、URL 重写等。在宿主机上创建一个 Apache 配置文件，例如。在运行容器时，使用。
mac上使用docker搭建gitlab
weixin_45056021的博客
11-13 418
通过以上步骤，你就可以在 Mac 上成功搭建 GitLab 了。如果需要进一步配置或遇到问题，可以查看 GitLab 官方文档或在命令行中运行。GitLab 官方提供了 Docker 镜像，可以直接使用它来启动一个 GitLab 实例。你可以根据需要修改 GitLab 的配置，例如调整端口、域名等。这些配置文件通常位于。等待几分钟，GitLab 容器启动完成。来进行更多管理操作。
基于 CentOS7.6 的 Docker 下载常用的容器(MySQL&Redis&MongoDB)，解决拉取容器镜像失败问题
weixin_47024018的博客
11-13 434
mysql选择是8版本，redis是选择4版本、mongoDB选择最新版，也可以根据自己的需要进行下载对应的版本，无非就是容器名:版本号这样去拉去相关的容器镜像。如果你还不会在服务器中安装 docker，可以查看我的这篇文章直接照搬照抄就行！
提取 Docker 镜像的 Dockerfile 工具集
最新发布
TechEnthusiast的博客
11-13 146
利用 Docker 自带的 history 命令,结合自定义脚本处理输出,可以实现 Dockerfile 的重建。/bin/bash不需要额外工具,使用 Docker 自带功能可以根据需求自定义输出格式可能需要额外的脚本编写和调试对复杂的多阶段构建支持有限。
sudo docker ps才能查看，docker ps不能查看问题
keyboard专栏
11-07 783
出现的错误，通常是因为当前用户没有权限访问 Docker 的 Unix 套接字。在 Linux 系统中，这个套接字默认只能由root用户或docker组的成员访问。要解决这个问题，可以将当前用户添加到docker组中，从而获得执行 Docker 命令的权限。
从0开始学docker （每日更新 24-11-10）
clever_quanquan的博客
11-10 941
默认情况下，在同一个docker网络上的所有容器的所有端口都可以相互连接host模式让所有容器都位于同一个主机网络空间，并共用主机的IP地址栈，该主机上的所有容器都可以通过主机的接口相互通信在用户自定义桥接网络中，容器之间可以通过名称或别名互相访问默认桥接网络不支持基于名称的服务发现和用户指定的IP地址，所连接的容器只能通过IP地址相互访问，除非创建容器时使用--link选项建立容器连接容器之间可以通过挂载主机目录实现相互通信容器通过端口映射对外提供连接。
【Docker】Docker Compose部署单节点多容器应用
hiliang521的博客
11-13 410
【Docker】Docker Compose部署单节点多容器应用
Docker + Python
小田的笔记簿
11-08 404
一、Docker Hub - 使用 搜索 Python 二、Python Image 使用 1、如何使用此 Image 在 Python 应用项目中 创建`Dockerfile`文件 运行单个 Python 脚本 镜像中的多个 Python 版本 2、镜像变体 1、`python:` 2、`python:-slim` 3、`python:-alpine` 4、`python:-windowsservercore`
掌握Python与Docker：pytest_docker_tools库教程
pytest_docker_tools 是一个Python库，它提供了与Docker相关的工具和接口，旨在简化与Docker容器进行交互的过程。此库可以配合pytest测试框架使用，以便在自动化测试中部署和管理Docker容器。 2. Docker技术基础 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值