PythonDocker高级项目部署教程_多容器管理与CI/CD流水线

docker Compose 用于管理多容器协同应用，通过 docker-compose.yml 定义服务配置与依赖；推荐多阶段构建分层 python 镜像以减小体积、提升 CI 效率；gitHub Actions 实现测试、构建、部署流水线；生产环境须做好日志集中、资源限制、配置外置和监控。

用 Docker Compose 管理多容器应用

单个容器跑不起来完整项目，Web 服务、数据库、缓存、消息队列往往需要协同工作。Docker Compose 就是为此设计的——它用一个 docker-compose.yml 文件描述多个容器的配置、依赖关系和启动顺序。

比如一个 flask + postgresql + redis 的典型组合，docker-compose.yml 可以这样写：

• 定义 web 服务：基于自建镜像或 Dockerfile 构建，暴露端口，链接数据库和缓存
• 定义 db 服务：使用官方 postgres:15 镜像，挂载数据卷确保持久化
• 定义 cache 服务：使用 redis:7-alpine，设置内存限制和密码
• 通过 depends_on 控制启动顺序（注意：它不等待服务就绪，需在应用层加健康检查或重试逻辑）

运行 docker-compose up -d 即可一键拉起整套环境；docker-compose logs -f 实时查看各服务日志，排查问题更直观。

构建可复用、分层的 Python 镜像

别再用 python:3.11-slim 直接 pip install 所有依赖——镜像体积大、缓存失效频繁、安全风险高。推荐多阶段构建 + requirements 分层：

立即学习“Python免费学习笔记（深入）”；

• 第一阶段：builder 使用 python:3.11-slim 安装编译型依赖（如 psycopg2-binary、cryptography），并把 requirements.txt 拆成 base.txt（运行时必需）和 dev.txt（仅开发/CI 使用）
• 第二阶段：final 使用更小的 python:3.11-slim-bookworm 基础镜像，只复制上一阶段编译好的包和源码，删掉构建工具和缓存
• 设好非 root 用户（user: 1001:1001）、工作目录（WORKDIR /app）、环境变量（ENV PYTHONDONTWRITEBYTECODE=1）

这样构建出的镜像通常比传统方式小 40%～60%，且每次 pip install 只在依赖变更时重建对应层，CI 构建速度明显提升。

用 github Actions 实现 Python 项目的 CI/CD 流水线

GitHub Actions 是轻量又可靠的 CI/CD 方案，适合中小型 Python 项目。一个典型的流水线包含三个阶段：

• 测试阶段：在 ubuntu runner 上安装 Python 3.11，用 pip install -e ".[test]" 安装带测试依赖的包，运行 pytest --cov 并上传覆盖率报告到 Codecov 或 GitHub Code Scanning
• 构建阶段：用 docker buildx 构建多平台镜像（如 linux/amd64 和 linux/arm64），打上 main、v1.2.0 和 latest 标签，推送到 GitHub Container Registry（GHCR）或私有 Harbor
• 部署阶段：仅当推送 tag（如 v*）时触发，ssh 登录生产服务器，拉取新镜像，执行 docker-compose pull && docker-compose up -d，再调用健康检查接口确认服务就绪

关键细节：所有敏感信息（如 SSH 私钥、registry Token）都存在 GitHub Secrets 中；用 if: startsWith(github.ref, 'refs/tags/') 精确控制部署时机；避免在 CI 中直接操作生产数据库。

生产环境必须做的几件事

容器不是“扔进去就完事”的黑盒。上线前务必确认以下事项：

• 日志集中管理：禁用 json-file 默认驱动，改用 fluentd 或 syslog，把所有容器日志发到 elk 或 Loki；Python 应用里用 Logging.handlers.SysLogHandler 直连
• 资源限制与健康检查：在 docker-compose.yml 中为每个服务设置 mem_limit、cpus，并添加 healthcheck（如 curl -f http://localhost:8000/healthz），让 Docker 自动重启异常容器
• 配置外置化：所有敏感配置（DB URL、API Key）通过环境变量注入，用 pydantic-settings 统一加载和校验；避免硬编码或打包进镜像
• 监控基础指标：用 cadvisor + prometheus 采集容器 CPU、内存、网络；Python 应用内嵌 prometheus-client 暴露业务指标（如请求延迟、错误率）

这些不是锦上添花，而是保障服务稳定、可排查、可伸缩的底线要求。