【建议收藏】docker常用命令手册

docker基础手册 docker常用命令 1.查看当前镜像 [root@centos7-docker ~]# docker images REPOSITORY TAG IMAGE ID CREATED SIZE nginx latest 08b152afcfae 3 weeks ago 133MB hello-world latest d1165f221234 5 months ago 13.3kB centos lat 阅读详情

目录

安装

Linux

查看 这里 获取更多信息。

curl -sSL https://get.docker.com/ | sh

Mac

查看 这里 获取更多信息

使用下面连接下载 dmg 文件.

https://download.docker.com/mac/stable/Docker.dmg

Windows

查看 这里 获取更多信息

通过 msi 文件安装:

https://download.docker.com/win/stable/InstallDocker.msi

Docker 仓管中心和仓库

登录镜像仓库

docker login
docker login localhost:8080

从镜像仓库退出登录

docker logout
docker logout localhost:8080

搜索镜像

docker search nginx
docker search --filter stars=3 --no-trunc nginx

拉取镜像

docker image pull nginx
docker image pull eon01/nginx localhost:5000/myadmin/nginx

推送镜像

docker image push eon01/nginx
docker image push eon01/nginx localhost:5000/myadmin/nginx

运行容器

创建并运行一个简单的容器

  • 启动ubuntu:latest 镜像
  • 绑定容器的 80 端口到宿主机的 3000 端口
  • 将主机 /data 目录挂载到容器中
  • 注意: 在 windows 系统中,你需将 -v ${PWD}:/data 改为-v "C:\Data":/data
docker container run --name infinite -it -p 3000:80 -v ${PWD}:/data ubuntu:latest

创建容器

docker container create -t -i eon01/infinite --name infinite

运行容器

docker container run -it --name infinite -d eon01/infinite

重命名容器

docker container rename infinite infinity

删除容器

docker container rm infinite

容器只有停止后才可被删除,通过 docker stop命令停止容器。为避免这个可在容器启动时加上--rm选项。

更新容器配置

docker container update --cpu-shares 512 -m 300M infinite

在运行的容器中执行命令

docker exec -it infinite sh

上例中,如果报错可将 bash可替换为 sh.

启动 & 停止容器

启动

docker container start nginx

停止

docker container stop nginx

重启

docker container restart nginx

暂停

docker container pause nginx

取消暂停

docker container unpause nginx

阻塞容器

docker container wait nginx

杀掉容器

docker container kill nginx

发送其他信号

docker container kill -s HUP nginx

连接现有容器

docker container attach nginx

获取容器相关详细

查看运行的容器

简写:

docker ps

或者:

docker container ls

查看所有容器

docker ps -a
docker container ls -a

查看容器日志

docker logs infinite

追踪容器日志

docker container logs infinite -f

检查容器

docker container inspect infinite
docker container inspect --format '{{ .NetworkSettings.IPAddress }}' $(docker ps -q)

查看容器事件

docker system events infinite

查看容器端口

docker container port infinite

运行进程

docker container top infinite

查看容器资源使用情况

docker container stats infinite

检查容器文件系统上文件或目录的更改情况

docker container diff infinite

操作镜像

列示镜像

docker image ls

构建镜像

docker build .
docker build github.com/creack/docker-firefox
docker build - < Dockerfile
docker build - < context.tar.gz
docker build -t eon/infinite .
docker build -f myOtherDockerfile .
curl example.com/remote/Dockerfile | docker build -f - .

删除镜像

docker image rm nginx

从压缩文件中导入镜像

docker image load < ubuntu.tar.gz
docker image load --input ubuntu.tar

将镜像保存为 Tar 包

docker image save busybox > ubuntu.tar

展示镜像历史

docker image history  busybox

将容器保存为镜像

docker container commit nginx

给镜像打标签

docker image tag nginx eon01/nginx

推送镜像

docker image push eon01/nginx

网络

创建网络

docker network create -d overlay MyOverlayNetwork
docker network create -d bridge MyBridgeNetwork
docker network create -d overlay \
  --subnet=192.168.0.0/16 \
  --subnet=192.170.0.0/16 \
  --gateway=192.168.0.100 \
  --gateway=192.170.0.100 \
  --ip-range=192.168.1.0/24 \
  --aux-address="my-router=192.168.1.5" --aux-address="my-switch=192.168.1.6" \
  --aux-address="my-printer=192.170.1.5" --aux-address="my-nas=192.170.1.6" \
  MyOverlayNetwork

删除某网络

docker network rm MyOverlayNetwork

列示现有网络

docker network ls

获取网络信息

docker network inspect MyOverlayNetwork

将运行中的容器接入某一网络

docker network connect MyOverlayNetwork nginx

启动容器时,将其接入某一网络

docker container run -it -d --network=MyOverlayNetwork nginx

将容器从某网络中断开连接

docker network disconnect MyOverlayNetwork nginx

暴露端口

使用 Dockerfile, 你可以暴露容器端口:

EXPOSE <port_number>

你还可以通过下面方式,将容器端口映射为宿主机端口:

docker run -p H O S T P O R T : HOST_PORT: HOSTP​ORT:CONTAINER_PORT --name <container_name> -t

例如

docker run -p $HOST_PORT:$CONTAINER_PORT --name infinite -t infinite

镜像安全性

构建安全镜像的一些指导建议

  1. 选择最精简的基础镜像
  2. 创建用户并分配使其用镜像基础权限
  3. 署名并校验镜像以避免中间人攻击(MITM) 攻击
  4. 寻找、修复和关注开源漏洞
  5. 不要在镜像中泄露敏感信息
  6. 使用明确固定的镜像标签
  7. 使用 COPY 代替 ADD
  8. 为元数据创建标签
  9. 采用多阶段构建以获得小且安全的镜像
  10. 使用 linter

详细内容参考 Snyk 的 10 Docker Image Security Best Practices blog

清理 Docker

删除容器

docker container rm nginx

删除容器和其数据卷

docker container rm -v nginx

删除所有退出(Exited)容器

docker container rm $(docker container ls -a -f status=exited -q)

删除所有退出(Stopped)容器

docker container rm `docker container ls -a -q`

删除镜像

docker image rm nginx

删除悬空(Dangling)镜像

docker image rm $(docker image ls -f dangling=true -q)

删除所有镜像

docker image rm $(docker image ls -a -q)

删除所有无标签镜像

docker image rm -f $(docker image ls | grep "^<none>" | awk "{print $3}")

停止 & 删除所有镜像

docker container stop $(docker container ls -a -q) && docker container rm $(docker container ls -a -q)

删除悬空(Dangling)数据卷

docker volume rm $(docker volume ls -f dangling=true -q)

删除所有 (容器、镜像、网络和数据卷)

docker system prune -f

清理所有

docker system prune -a

Docker Swarm

安装 Docker Swarm

curl -ssl https://get.docker.com | bash

初始化 Swarm

docker swarm init --advertise-addr 192.168.10.1

将工作节点加入 Swarm

docker swarm join-token worker

将管理节点加入 Swarm

docker swarm join-token manager

列示服务

docker service ls

列示节点

docker node ls

新建服务

docker service create --name vote -p 8080:80 instavote/vote

列示 Swarm 任务

docker service ps

伸缩服务

docker service scale vote=3

更新服务

docker service update --image instavote/vote:movies vote
docker service update --force --update-parallelism 1 --update-delay 30s nginx
docker service update --update-parallelism 5--update-delay 2s --image instavote/vote:indent vote
docker service update --limit-cpu 2 nginx
docker service update --replicas=5 nginx
宝藏级Docker应用推荐(建议NAS/AllinOne用户收藏) 梳理收集了个人比较常用的Docker应用,这些应用大多免费开源,能极大提高的提高日常工作效率,也能充分榨干家里闲置设备资源,比如NAS、个人PC、主机服务器等。 阅读详情

相关推荐

OpenClaw实操:给网站装上“智能眼睛”?手把手教你用OpenClaw实时监控网站

本文介绍如何在Windows系统使用OpenClaw构建智能网站监控助手。手把手教你通过配置本地AI模型,让openclaw构建的ai助手自动检测指定网页的内容变化,理解更新重要性,并及时通过邮件、微信、Telegram等渠道发出预警,让你第一时间掌握关键信息,彻底告别手动刷新。

plawuyue的博客 2162

docker常用命令详解(图文结合纯干货,适用于初学者)

对docker最常用的一些命令结合,适用于刚安装完docker想要熟悉一些常用命令的初学者,结合一个简单的web项目快速上手

喜欢水星记的博客 7085

DIY一个SM2262ENG 2TB Nvme固态硬盘,慧荣SM2262EN主控

网友订做的 材料: 慧荣科技的62en,2片1G 三星DDR4缓存,4颗PF29F04T2AOCTH1,8CE B17A。SM2262EN属于慧荣第二代PCIe SSD主控,支持PCIe G3×4通道和全新的NVMe 1.3规范、8个NAND通道设计,并提供完整固件设计,最大循序读取速度高达3.5GB/s,循序写入速度达3.0GB/s,随机读写则高达420K IOPS和420K IOPS。此外,还采用目前最先进的低功耗设计,无论是在待机还是在工作状态下,均展现超低功耗,有效减少30%的功耗,满足用户追求超

m0_55207244的博客 1万+

docker常用命令大全(详细版)

解释:用于清理 Docker 系统中的不再使用的资源,包括停止的容器、未被使用的网络、未被使用的镜像以及悬空的构建缓存。在之前我们配置镜像加速的时候已经有了该文件,所以我们直接修改内容接口。你想给容器换个霸气炫酷吊炸天的名字。例如:搜索centos版本及镜像。例如:如果你的镜像文件名为。这将返回容器当前的工作目录。其次,创建工新工作目录文件夹。最后,原docker数据迁移。修改docker数据存储配置。首先,停止docker服务。文件,可以运行以下命令。启动后我们的配置就生效了。例如:如果要保存名为。

qq_41886623的博客 1253

智能问数产品背后的Agent技术揭秘:从任务分解到工具调用的完整流程

本文深入解析智能问数产品背后的Agent技术,从任务分解到工具调用的完整流程。通过大模型驱动的语义理解和动态工具调度,Agent系统能高效处理复杂数据分析需求,显著提升响应速度和准确率。文章详细介绍了模块化架构、任务分解机制、动态工具调用及双通道记忆系统等核心技术,展示了大模型时代的新型数据分析范式。

weixin_30399821的博客 438

深入解析Android Qcom Camera HAL3架构与Camx线程模块

本文深入解析了Android Qcom Camera HAL3架构与Camx线程模块的核心原理。文章以高通芯片平台为例,剖析了从按下快门到生成照片的完整Camera流程分析,重点阐述了Camx框架中线程池、消息队列及Fence同步机制如何协同工作,以实现高效、稳定的多线程并发图像处理,为相机性能优化提供理论基础。

weixin_29184075的博客 220

Docker-常用命令大全(附命令详解)

Docker命令千千万,但本篇足以应对日常工作及面试需求并会不断补充,每一个命令都会介绍详细,尽可能保证每一个读完文章的小伙伴都能理解与应用个人理解:Docker中的镜像可以理解为你要运行某应用或者某系统所需要的环境,容器可以理解为虚拟机。

A的博客 1万+

LMX2594时钟配置实战:TICS PRO从入门到寄存器导出

本文详细介绍了LMX2594时钟芯片的配置实战,重点讲解了如何使用TICS PRO调试软件简化复杂的寄存器设置过程。通过实例演示从基础频率配置到高级参数调优的全流程,并分享SPI写入的嵌入式系统移植技巧,帮助工程师快速掌握高性能时钟芯片的配置方法。

weixin_29189003的博客 552

docker常用命令大全(持续更新)

启动docker 重启docker 停止docker docker开机自启动 二、镜像操作 查找镜像 下载镜像 上传镜像 查看镜像列表 删除镜像 三、容器操作 停止容器 启动容器 重启容器 删除容器 查看容器信息 进入容器 容器自启动 列出所有在运行的容器信息 查看容器日志 容器和本地文件系统之间拷贝文件/文件夹 结尾 感谢大家的耐心阅读,如有建议请私信或评论留言。 如有收获,劳烦支持,关注、点赞、评论、收藏均可,博主会经常更新博客,知识共享。

少说,多做 1万+

【JTAG】1149.6协议详解

JTAG1149.6协议是1149.1协议中Boundary-Scan结构的扩展,1149.1对交流耦合、差分或两者兼有的情况并没有得到充分的处理。该协议支持新的I/O测试结构。需要时变(AC)信号的高级I/O引脚允许测试它们之间的连接,这包括所有差分信号引脚或单端信号引脚,通过设计支持交流耦合。..................

xuhe0206的博客 4574

万字长文,小白新手怎么开始做YOLO实验,从零开始教!整体思路在这里,科研指南针!

万字长文,小白新手怎么开始做YOLO实验,从零开始教!整体思路在这里,科研指南针!

Coding... 1万+

Docker常用命令总结

docker常用命令解释及总结,简洁明了,清晰易懂

m0_62946761的博客 4万+

【Docker】完美解决拉取镜像超时报错:ERROR: Get https://registry-1.docker.io/v2/

因为我们下载的镜像是外网的镜像资源,所以下载的速度会非常的慢,甚至大概率下载时会报错,所以需要我们配置一个国内的服务器镜像地址,国内服务器镜像地址有很多,这里咱们就说一下阿里镜像加速器的配置方法。

liu_chen_yang的博客 12万+

别找了Docker常用命令都在这

先赞后看,养成习惯 ???? 欢迎微信关注[Java编程之道],每天进步一点点,沉淀技术分享知识。* Docker常用命令集合 给大家介绍一些常用的Docker命令,对你有帮助的同学建议收藏作为一个查询手册哦。 Docker容器的一些命令按功能分类大致如下: Docker环境信息 info、version 容器生命周期管理 create、exec、kill、pause、restart、rm、run、start、stop、unpause 镜像仓库命令 login、logout、pull、

LeoByte的编程驿站 6976

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Docker中的常用命令

帮助命令 查看docker版本 docker version 查看docker基本信息 docker info docker帮助手册 docker --help Usage: docker [OPTIONS] COMMAND [arg...] Usage: docker [ 选项参数 ] 命令 [参数...(可多选)] 镜像命令 列出本地主机上的镜像 :REPOSITORY:表示镜像的仓库源 TAG:镜像的标签 IMAGE ID:镜像ID CREATED:镜像创建时间 VIR

猫先生的博客 274

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

史上最详细的docker学习手册,请收藏!

大家好,我是飘渺,今天我们来学习一下Docker!一、docker入门docker的安装及入门示例环境准备:docker需要安装在centos7 64位系统上;docker要求系统内核在3.10以上查看系统内核:uname-r安装命令:yum-yinstalldocker-io安装完成后,启动命令servicedockerstart安装nginx体验dockerrun-p80:8...

飘渺Jam的博客 1318

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")

Docker入门连载——(3)docker常用命令

docker常用命令常用命令1、辅助命令2、Images 镜像命令3、Contrainer 容器命令3.1、基本命令(容器外操作)3.2、进阶命令(容器内数据交互) 常用命令 1、辅助命令 # 1.安装完成辅助命令 docker version -------------------------- 查看docker的信息 docker info -------------------------- 查看更详细的信息 docker --help ------------------------

zty 1327

【Docker系列】全网最适合收藏的Docker笔记手册

专栏目录 【Docker系列】1-virtual box配置Linux虚拟机 【Docker系列】2-Docker入门,容器化剖析 【Docker系列】3-Centos7 Docker安装手册 【Docker系列】4-Docker image和container实战操作大全 【Docker系列】5-Dockerfile镜像制作指南 【Docker系列】6-Docker Hub和Registry实战 【Docker系列】7-Docker 数据持久化和网络模式 ...

Java架狗师知识框架速查表 385

Docker常用命令

1.帮助命令 docker version 查看docker版本信息 docker info 查看docker详细信息 docker --help 查看docker所有命令 2.镜像命令 docker images 列出本地镜像 -a :列出本地的所有镜像,含中间影响层 -q :只列出镜像的ID --digests:显示镜像的摘要信息 --no-trunc:显示完整的镜像信息 doc...

程序猿凹凸 302

Docker命令实操手册,值得收藏!

Docker高频命令实操手册,值得收藏!

https://ophome.blog.youkuaiyun.com,在IT行业有多年的工作经验,尤其是在Python、Linux、负载均衡、Nginx和服务器运维等领域。 329

docker常用命令汇总

我花了一天的时间整理的docker常用命令

weixin_55418082的博客 736

Docker 常用命令大全(2025 最新版)

Docker命令速查手册:开发者必备的全场景指令集 本文整理了Docker全生命周期管理命令,涵盖镜像、容器、网络、数据卷等核心操作场景。从基础命令(docker run/ps/stop)到高级功能(网络配置、数据管理),提供清晰分类和简要说明,适合各阶段开发者随时查阅。手册采用模块化结构,包含镜像管理、容器操作、网络配置等7大类别,每个命令附带功能描述,帮助用户快速定位所需指令。无论是本地开发调试还是生产环境部署,这份持续更新的命令集都能显著提升工作效率。

这里是技术探索者的前沿阵地。我们聚焦开源技术与IT运维实践,分享深度解析、前沿趋势与实战经验。从代码到云原生,从自动化到智能化运维,共同见证并参与塑造技术的未来。关注我们,一起用开源,定义未来。 1892

Docker--常用命令

文章目录3、Docker常用命令3.1 帮助命令3.2 镜像命令3.3 容器命令3.3.1 基础命令3.3.2 重要命令3.3.3 命令总结 【笔记于学习尚硅谷课程所作】 3、Docker常用命令 3.1 帮助命令 #查看版本 docker version #查看详细信息 docker info #帮助手册 docker --help 3.2 镜像命令 1.docker images [options] #列出本地主机上的镜像 docker images (1)列表表头说明 REPOSITOR

一个巨大的博客 261

Docker 自用手册

Docker Docker 简介 这部分网络上有太多的讲述,我就不在赘述了。需要了解的是,docker 有几个重要的组成部分:镜像(image)、容器(container)、仓库(registry)。镜像就像是一个模板,它记录你的base镜像,添加的组件功能;容器就是镜像的一个运行时状态,它是docker 依据镜像进行创建的一个实例,执行具体的功能;仓库就是存放镜像的地方。 Docker常用命令 查看信息 docker version // 查看版本信息 doc

没办法喽 的博客 264

Docker(二)—— 镜像的常用命令

dockerhub和GitHub一样,是存储镜像的仓库。需要什么镜像可以来这里搜索。下面是网页版的搜索。我们可以直接用命令行进行搜索。所以我们可以看出,docker的“集装箱”只是逻辑上互相隔离的箱子。:在dockerhub中搜索镜像mysql。如果不写版本号,默认下载最新版本。:查看所有本地主机上的镜像。

qq_44886213的博客 804
上一篇: CUDA编程极简入门(三):CUDA实操
下一篇: LLM Course系列:使用 Unsloth 高效地微调 Llama 3.1
橙狮科技
博客等级 码龄6年 1163粉丝 62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