docker部署stackedit

使用Docker搭建StackEdit在线MarkDown编辑器 【代码】使用Docker搭建StackEdit在线MarkDown编辑器。 阅读详情

1.安装docker,启动服务

yum install docker //安装

systemctl start docker //启动   用这个也可以:service docker start
systemctl stop docker //停用

systemctl enable docker //开机启动
systemctl disable docker //删除开机启动项

yum remove docker //卸载

`2.启动容器

docker pull registry.cn-hangzhou.aliyuncs.com/mafgwo/stackedit:5.15.20//拉取镜像

docker images` //列出镜像

docker tag 1a7b812f3a7e mystackedit //改名 tag后跟镜像id,不能有大写

docker run -d -p 8080:8080 mystackedit //8080端口运行启动容器

docker ps //列出所有运行中的容器

docker ps -a //所有容器,包含停止状态的

netstat -tulnp | grep 8080//查询端口是否被使用

3.停用删除容器

docker stop focused_swirles //停用容器,focused_swirles是docker 分配的,忘记自定义名称

docker start focused_swirles//启动容器

docker rm mystackedit//删除容器

docker rm $(docker ps -aq)  //删除所有停用容器

4.其他

-i:以交互模式运行容器,通常与 -t 同时使用  
-t:为容器重新分配一个伪输入终端,通常与 -i 同时使用  
-p : 端口映射 格式为[主机端口:容器端口]  
-d : 后台模式运行  
-name : 给容器一个新的名称  
-v:挂载主机的目录  
-e: username="ritchie": 设置环境变量  
-m:设置容器使用内存最大值  
--env-file=[]:从指定文件读入环境变量


获取容器更多信息:```sudo docker inspect 容器名```
删除为none的镜像:```docker images --no-trunc| grep none | awk '{print $3}' | xargs -r docker rmi```


启动docker服务:```service docker start```
停止docker服务:```service docker stop```
检查docker 守护进程是否在运行:```docker stats```
查看docker相关信息:```docker info``` // Registry解释源地址信息
获取容器的日志:```docker logs 容器名```
获取最后几条日志:```docker -f 容器名```

【云原生之Docker实战】使用Docker部署StackEdit在线Markdown编辑器 阅读详情

相关推荐

【打工日常】使用docker部署StackEdit编辑器-Markdown之利器

本次实践部署环境为个人测试环境。

全糖少冰我吃不了苦 1342

华为云云耀云服务器L实例评测|在Docker环境下部署StackEdit在线Markdown编辑器

华为云云耀云服务器L实例评测|在Docker环境下部署StackEdit在线Markdown编辑器

jks212454的博客 1009

StackEdit v5.14.10部署实战:打造离线Markdown写作环境

Markdown编辑器是技术写作中不可或缺的工具,而本地部署方案能让写作环境完全自主可控。StackEdit v5.14.10是一款纯前端架构的Markdown编辑器,无需Node环境或客户端,解压后通过HTTP服务即可运行,支持离线写作、实时预览、LaTeX公式与流程图渲染。文档默认存储在浏览器localStorage中,可通过控制台脚本一键导出JSON备份,或结合Docker固定运行环境,利用Git管线实现写作即发布。这类轻量部署模式特别适合内网、断网环境下的个人知识库与课程笔记场景,兼顾低维护成本与数

weixin_30129025的博客 160

内网穿透的应用-本地部署Stackedit Markdown编辑器公网远程访问

同时,StackEdit 是开源的,个人可以本地部署自己的Markdown编辑器,并且通过浏览器即可快速访问.当然,本地访问局限性太大,结合cpolar 内网穿透工具,即可实现远程,随时随地,任意浏览器访问我们部署在本地的Markdown编辑器,提高生产效率!上面以docker方式成功部署和启动运行了属于个人的Markdown编辑器,现在打开浏览器,局域网访问容器挂载的8080端口,然后点击界面顶部开始写作,即可看到我们的Markdown编辑器界面,下面我们安装cpolar 内网穿透工具,实现远程访问。

微学AI的博客 880

docker-stackedit:StackEdit是一个开放源码免费使用的MarkDown编辑器,基于PageDown,使用了Stack Overflow和其他Stack Exchange网站的MarkDown库,stackoverflow出品

堆栈编辑 是一个开放源码免费使用的MarkDown编辑器,基于 ,使用了Stack Overflow和其他Stack Exchange网站的MarkDown库,stackoverflow出品。 展示页面: : 。 一,介绍 简介 这款在线markdown编辑器,是一款很赞的应用。如果你是markdown的用户,那么你要试一下这款应用;如果你是chrome用户,那么你更要安装这款应用。我是把它作为chrome的一个插件应用来使用的。 功能 管理多个MarkDown文档,可在线或离线编辑 通过模板导出MarkDown或HTML格式文件 云同步MarkDown文档 支持Google Drive,Dropbox和本地硬盘驱动器等备份 发表MarkDown文档到Blogger,Blogspot,WordPress和Tumblr 发布MarkDown文档在GitHub,GIST,Google Dr

Etcd教程 — 第三章 Etcd集群动态发现、DNS发现

Etcd教程 — 第三章 Etcd集群动态发现、DNS发现

Mr_XiMu的博客 2819

Markdown之利器:使用Docker私有部署StackEdit,提升写作效率

StackEdit作为一款强大的在线Markdown编辑器,不仅具备卓越的写作功能,还支持实时预览、多设备同步等特性,备受写作者们的青睐。

修己xj的博客 744

告别CMake依赖!在Visual Studio 2022中直接配置VTK 9.4开发环境(附完整项目示例)

本文详细介绍了如何在Visual Studio 2022中直接配置VTK 9.4开发环境,无需依赖CMake。通过图文教程和完整项目示例,帮助C++开发者快速集成VTK库,简化开发流程,提升工作效率。特别适合科学可视化任务的开发者。

weixin_26804345的博客 415

StackEdit云端部署指南:Docker容器化与云存储集成

StackEdit是一款功能强大的浏览器端Markdown编辑器,支持实时预览、云存储集成和多种导出格式。通过Docker容器化部署,您可以轻松将StackEdit部署到任何云平台,实现跨设备的云端文档管理。本文将为您详细介绍如何使用Docker部署StackEdit,并集成云存储服务。 ## 为什么选择Docker部署StackEdit? Docker容器化部署为StackEdit带来了诸多

gitblog_00682的博客 888

一代测序、二代测序以及三代测序的优缺点及应用对比?

一、初现庐山真面目 一代测序:又称Sanger测序(多分子,单克隆) 历史:第一代DNA测序技术(又称Sanger测序)在1975年,由Sanger等人开创,并在1977年完成第一个基因组序列(噬菌体X174),全长5375个碱基。研究人员经过30年的实践并对技术及测序策略的不断改进(如使用了不同策略的作图法、鸟枪法),2001年完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础。 原理:在4个DNA合成反应体系(含dNTP)中分别加入一定比例带有标记的ddNTP(分为:ddATP...

wangprince2017 3万+

双相机坐标系标定

工业双相机对位标定

sinat_33762356的博客 8317

docker-compose部署Stackedit(在浏览器中编辑markdown)

【代码】docker-compose部署Stackedit(在浏览器中编辑markdown)

学亮编程手记 145

A robust and easy to implement method for IMU calibration without external equipments(IMU标定)

A robust and easy to implement method for IMU calibration without external equipments 1 标定原理1 亲试可用,还有动态演示效果不错。相比商用产品的简易标定流程,该标定方法有以下几点不同: 给出了加速度计和陀螺仪更复杂的模型。 利用Allan方差的定义,标定陀螺仪的偏置。 大量冗余数据,保证最优化收敛。利用数十...

擦擦擦大侠的博客 3948

Linux本地搭建StackEdit Markdown编辑器结合内网穿透实现远程访问

同时,StackEdit 是开源的,个人可以本地部署自己的Markdown编辑器,并且通过浏览器即可快速访问.当然,本地访问局限性太大,结合cpolar 内网穿透工具,即可实现远程,随时随地,任意浏览器访问我们部署在本地的Markdown编辑器,提高生产效率!上面以docker方式成功部署和启动运行了属于个人的Markdown编辑器,现在打开浏览器,局域网访问容器挂载的8080端口,然后点击界面顶部开始写作,即可看到我们的Markdown编辑器界面,下面我们安装cpolar 内网穿透工具,实现远程访问。

qiuqiushuibx的博客 2626

本地Pycharm连接远程服务器详细配置过程(直接在本地使用服务器显卡,很棒)

相信很多人都遇见过这种情况:实验室成员使用同一台服务器,每个人拥有自己的独立账号,我们可以使用服务器更好的配置完成实验,毕竟自己哪有money拥有自己的3090呢。

NorthSmile的博客 4万+

ximalaya 新xm-sign逆向思路

本文主要介绍目标网站新xm-sign值的逆向思路。仅代表个人理解,如有其他建议可在评论区沟通。声明仅仅记录一下自己的学习方法,不作为其他参考、更不作为商业用途。如有侵犯请联系本人删除。

weixin_66580433的博客 2017

【StackEdit Markdown】StackEdit Markdown编辑器本地部署并实现远程访问编辑内容

【StackEdit Markdown】StackEdit Markdown编辑器本地部署并实现远程访问编辑内容

学习笔记 1263

第八届传智杯WPS智能办公能力挑战赛练习题库

本文是关于WPS Office软件操作知识的选择题汇总,内容涵盖WPS文字、表格和演示三大组件的常用功能。主要包括:云文档协同编辑、文本框插入、幻灯片打印设置、数据排序与筛选、函数应用(如SUMIF、COUNT)、动画效果设置、格式刷使用、页眉页脚设置、单元格引用类型等基础操作要点。同时涉及计算机基础概念如二进制、ROM存储器等。题目以单选和多选形式呈现,附带详细答案解析,全面检验用户对WPS办公软件的功能掌握程度和实际操作能力,适用于办公软件技能培训和水平测试。

qq_73044452的博客 1432

本地搭建Stackedit Markdown编辑器结合内网穿透实现远程访问

同时,StackEdit 是开源的,个人可以本地部署自己的Markdown编辑器,并且通过浏览器即可快速访问.当然,本地访问局限性太大,结合cpolar 内网穿透工具,即可实现远程,随时随地,任意浏览器访问我们部署在本地的Markdown编辑器,提高生产效率!上面以docker方式成功部署和启动运行了属于个人的Markdown编辑器,现在打开浏览器,局域网访问容器挂载的8080端口,然后点击界面顶部开始写作,即可看到我们的Markdown编辑器界面,下面我们安装cpolar 内网穿透工具,实现远程访问。

沐雨风栉 870

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

5分钟搞定StackEdit:零基础Markdown编辑器终极部署指南

想要快速掌握一款功能强大的**Markdown编辑器**吗?StackEdit作为一款**浏览器Markdown编辑器**,基于Stack Overflow使用的PageDown库开发,提供完整的开源解决方案。无论你是新手还是专业用户,这份指南将帮助你在5分钟内完成StackEdit的部署。🚀 ## 🔥 为什么选择StackEdit? StackEdit是一个功能丰富的**开源Markdo

gitblog_00965的博客 722

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

StackEdit全方位部署与配置实战指南:打造高效的浏览器Markdown编辑器

StackEdit是一款功能强大的浏览器Markdown编辑器,它将编辑、同步和发布功能完美整合,让用户能够在任何设备上轻松创建和管理Markdown文档。本文将为您提供一份全面的StackEdit部署与配置指南,帮助您快速上手并充分利用这款优秀的编辑器。 ## 快速部署StackEdit ### 1. 环境准备 在开始部署StackEdit之前,请确保您的系统满足以下要求: - Node.

gitblog_00448的博客 483

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

如何快速搭建StackEdit:面向开发者的完整Markdown编辑器指南

StackEdit是一款功能强大的开源Markdown编辑器,专为开发者设计。它基于Stack Overflow等知名技术社区使用的PageDown库构建,提供实时预览、云端同步和多种导出格式支持。无论你是编写技术文档、博客文章还是项目README,StackEdit都能提升你的写作效率。 ## 🚀 3种部署方式:选择最适合你的方案 ### 1. 本地快速开发部署 这是最简单的入门方式,适合

gitblog_00216的博客 206

StackEdit 快速上手指南:浏览器 Markdown 编辑器从打开到同步的完整路径

文档躺在云盘里,想改一段 Markdown 还得先开软件?StackEdit 是浏览器 Markdown 编辑器:打开网页就能写,边写边看预览,还能把文件同步到你在用的云盘。 ## 在线版上手:打开就写 最快路径一条:浏览器访问官方在线版 stackedit.io,加载完直接开写,不装东西,不用注册。 进去先认三块区域:左侧文件浏览器、中间编辑器、右侧预览区。新建文件点左侧文件夹上的加号,格

gitblog_00788的博客 423

使用轻量应用服务器搭建在线写作利器StackEdit

好用的编辑器是为了辅助写作,真正想要写好内容,还要看自己是不是用心去写,或者是为了什么去写。为了和大家分享,我会继续折腾那个,大家多支持,常关注。

qq_36134996的博客 684

从0到1:StackEdit开发环境极速搭建指南(2025版)

你是否曾因开源项目环境配置复杂而放弃贡献代码?StackEdit作为广受欢迎的浏览器端Markdown编辑器,其开发环境搭建仅需5步即可完成。本文将带你从源码克隆到本地调试,全程可视化操作,即使是新手也能在15分钟内启动开发服务器。 ## 开发环境准备清单 在开始前,请确保你的系统满足以下要求(基于[package.json](https://link.gitcode.com/i/60181e...

gitblog_00945的博客 416

笔记软件汇总:MarkText、Notable、StackEdit、Docmost、Vditor、Notes、Arya、zyplayer-doc、JVS

概述、MarkText、Notable、StackEdit、Docmost、实战、vditor、Notes、Arya、zyplayer-doc、Zettlr、jvs、拓展、Material Design、参考。

lonelymanontheway的博客 4615
上一篇: 小程序反编译后报错“_typeof3 is not a function”
下一篇: Docker 查看源地址/仓库地址,更改
xx~
xx~
博客等级 码龄8年 8375粉丝 61原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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