mirror of
https://github.com/yeasy/docker_practice.git
synced 2026-03-11 04:14:38 +00:00
207 lines
7.4 KiB
Go
207 lines
7.4 KiB
Go
## 1.3 为什么要用 Docker
|
||
|
||
在回答 “为什么用 Docker” 之前，笔者想先问一个问题：**你有没有经历过这些场景？**
|
||
|
||
### 1.3.1 没有 Docker 的世界
|
||
|
||
在 Docker 出现之前，软件开发和运维面临着诸多棘手的问题。我们先来看看以下三个典型的痛点场景。
|
||
|
||
#### 场景一：“在我电脑上明明能跑”
|
||
|
||
```bash
|
||
周五下午 5:00
|
||
├── 开发者：代码写完了，本地测试通过，提交！🎉
|
||
├── 周一早上 9:00
|
||
│ └── 测试："这个功能在测试环境跑不起来"
|
||
└── 开发者：" 不可能，在我电脑上明明能跑啊……"
|
||
```
|
||
|
||
笔者统计过，这个问题通常由以下原因导致：
|
||
|
||
- Python/Node/Java 版本不一致
|
||
- 依赖库版本不一致
|
||
- 操作系统配置不一致
|
||
- 某些环境变量没有设置
|
||
- “哦，忘了说我本地装了个 XXX”
|
||
|
||
#### 场景二：环境配置的噩梦
|
||
|
||
```bash
|
||
新同事入职
|
||
├── Day 1：领电脑，配环境
|
||
├── Day 2：继续配环境，遇到问题
|
||
├── Day 3：换种方法配环境
|
||
├── Day 4：问老同事怎么配的，他也忘了
|
||
└── Day 5：终于能跑起来了！但不知道为什么……
|
||
```
|
||
|
||
#### 场景三：服务器迁移的恐惧
|
||
|
||
```bash
|
||
运维："我们需要把服务迁移到新服务器"
|
||
开发："旧服务器上的配置文档在哪？"
|
||
运维："当时是一个已经离职的同事配的……"
|
||
所有人：😱
|
||
```
|
||
|
||
### 1.3.2 Docker 如何解决这些问题
|
||
|
||
Docker 的出现为上述问题提供了完美的解决方案。它通过 “一次构建，到处运行” 的核心理念，从根本上改变了软件交付的方式。
|
||
|
||
#### 核心理念：一次构建，到处运行
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
dev["开发团队"] -->|创建| img["Docker 镜像"]
|
||
img -->|测试团队验证| test["测试团队"]
|
||
test -- "有问题<br/>反馈修改和更新" --> dev
|
||
test -- "没问题<br/>发布" --> prod["生产环境"]
|
||
```
|
||
|
||
### 1.3.3 Docker 的核心优势
|
||
|
||
除了解决上述痛点，Docker 还拥有诸多显著的技术优势，包括环境一致性、秒级启动、高效的资源利用等。
|
||
|
||
#### 1. 环境一致性
|
||
|
||
Docker 镜像包含了应用运行所需的 **一切**：代码、运行时、系统工具、库、配置。这意味着：
|
||
|
||
- ✅ 开发环境和生产环境完全一致
|
||
- ✅ 不会再有 “在我机器上能跑” 的问题
|
||
- ✅ 新人入职，一条命令就能启动开发环境
|
||
|
||
```bash
|
||
## 新同事入职第一天
|
||
|
||
$ git clone https://github.com/company/project.git
|
||
$ docker compose up
|
||
## 完整的开发环境就准备好了
|
||
|
||
...
|
||
```
|
||
|
||
#### 2. 秒级启动
|
||
|
||
传统虚拟机启动需要几分钟 (引导操作系统)，而 Docker 容器启动通常只需要 **几秒甚至几百毫秒**。
|
||
|
||
笔者实测数据：
|
||
|
||
| 启动内容 | 虚拟机 | Docker 容器 |
|
||
|---------|--------|-------------|
|
||
| 空系统 | ~60 秒 | ~0.5 秒 |
|
||
| MySQL | ~90 秒 | ~3 秒 |
|
||
| 完整 Web 应用 | ~120 秒 | ~5 秒 |
|
||
|
||
这个差异对以下场景尤为重要：
|
||
|
||
- **CI/CD 流水线**：每次构建节省几分钟，一天累积下来就是几小时
|
||
- **弹性扩容**：流量高峰时能快速启动更多实例
|
||
- **开发体验**：快速重启服务进行调试
|
||
|
||
#### 3. 资源效率
|
||
|
||
Docker 容器共享宿主机内核，无需为每个应用运行完整的操作系统。以一台 64GB 内存的物理服务器为例：
|
||
- **传统虚拟机方案**：每个虚拟机都需要运行完整的操作系统（每个额外占用如 2GB 内存），产生大量资源开销，实际可用于应用的内存可能只有约 18GB。
|
||
- **Docker 方案**：容器直接共享宿主机系统，只需付出很少的基础开销（OS 及引擎约 4GB），即可将约 60GB 的内存全部用于实际应用。
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
subgraph VM ["传统虚拟机方案 ❌"]
|
||
direction TB
|
||
Server1["物理服务器 (64GB 内存)"]
|
||
subgraph VMs ["可用应用内存: 约 18GB"]
|
||
direction LR
|
||
VM1["VM 1: 应用 1<br/>(含 2GB OS)"]
|
||
VM2["VM 2: 应用 2<br/>(含 2GB OS)"]
|
||
VM3["VM 3: 应用 3<br/>(含 2GB OS)"]
|
||
end
|
||
Server1 --- VMs
|
||
end
|
||
|
||
subgraph Docker ["Docker 方案 ✅"]
|
||
direction TB
|
||
Server2["物理服务器 (64GB 内存)<br/>含约 4GB OS及引擎配置"]
|
||
subgraph Containers ["可用应用内存: 约 60GB"]
|
||
direction LR
|
||
C1["容器 1: 应用 1<br/>(按需分配)"]
|
||
C2["容器 2: 应用 2<br/>(按需分配)"]
|
||
C3["容器 3: 应用 3<br/>(按需分配)"]
|
||
end
|
||
Server2 --- Containers
|
||
end
|
||
```
|
||
|
||
#### 4. 持续交付和部署
|
||
|
||
Docker 完美契合 DevOps 的工作流程：
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
A["代码提交<br/>(Git push)"] --> B["自动构建镜像<br/>(docker build)"]
|
||
B --> C["自动测试<br/>(容器内运行测试)"]
|
||
C --> D["自动部署<br/>(容器滚动更新)"]
|
||
```
|
||
|
||
使用 [Dockerfile](../04_image/4.5_build.md) 定义镜像构建过程，使得：
|
||
|
||
- 构建过程 **可重复、可追溯**
|
||
- 任何人都能从代码重建完全相同的镜像
|
||
- 配合 [GitHub Actions](../21_case_devops/21.2_github_actions.md) 等 CI 系统实现自动化
|
||
|
||
#### 5. 轻松迁移
|
||
|
||
Docker 可以在几乎任何平台上运行：
|
||
|
||
- ✅ 本地开发机 (macOS、Windows、Linux)
|
||
- ✅ 公有云 (AWS、Azure、GCP、阿里云、腾讯云)
|
||
- ✅ 私有云和自建数据中心
|
||
- ✅ 边缘设备和 IoT
|
||
|
||
**同一个镜像，在任何地方运行结果都一致。** 这让应用迁移变得前所未有的简单。
|
||
|
||
#### 6. 微服务架构的基石
|
||
|
||
现代微服务架构几乎都依赖容器技术。Docker 让你可以：
|
||
|
||
- **隔离服务**：每个服务运行在独立容器中，互不干扰
|
||
- **独立扩展**：哪个服务负载高，就单独扩展哪个
|
||
- **独立部署**：更新一个服务不影响其他服务
|
||
- **技术多样**：不同服务可以用不同语言和框架
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
subgraph Microservices ["微服务架构示例"]
|
||
direction TB
|
||
subgraph AppLayer ["应用层"]
|
||
direction LR
|
||
Frontend["前端容器<br/>(Node.js)"]
|
||
API["API 容器<br/>(Python)"]
|
||
Worker["Worker 容器<br/>(Go)"]
|
||
end
|
||
Redis["Redis 容器"]
|
||
DB["PostgreSQL 容器"]
|
||
|
||
Frontend --> API
|
||
API --> Redis
|
||
API --> DB
|
||
Worker --> Redis
|
||
Worker --> DB
|
||
end
|
||
```
|
||
|
||
### 1.3.4 Docker 不适合的场景
|
||
|
||
笔者认为，技术选型要客观。Docker 并非银弹，以下场景可能不太适合：
|
||
|
||
- **需要完全隔离的场景**：容器共享宿主机内核，隔离性不如虚拟机。如果需要运行不受信任的代码，虚拟机可能更安全。
|
||
- **需要特殊内核的场景**：容器使用宿主机内核。如果应用需要特定版本的内核或内核模块，可能需要虚拟机。
|
||
- **Windows 原生应用**：虽然 Docker 支持 Windows 容器，但生态不如 Linux 容器成熟。传统 Windows 应用的容器化仍有挑战。
|
||
- **桌面应用**：Docker 主要面向服务端应用。桌面 GUI 应用的容器化虽然可行，但通常得不偿失。
|
||
|
||
### 1.3.5 与传统虚拟机的对比总结
|
||
|
||
关于容器与虚拟机的详细特性对比，请参阅 [1.2.3 Docker vs 虚拟机](1.2_what.md) 中的对比表。总结来说：
|
||
|
||
- **性能差异**：虚拟机通常有 5-20% 的性能损耗，而容器接近原生性能。
|
||
- **最佳场景**：Docker 容器适合微服务、CI/CD、开发环境；虚拟机适合多租户、高安全需求场景。
|