Python v Dockeru
Návod na vývojové prostředí pro Python v kontejneru Docker, kde se
závislosti (včetně balíčků z conda-forge, například GDAL) instalují
micromambou a kód i data zůstávají na lokálním disku. Předpokládá se
nainstalovaný Docker s pluginem Compose (docker compose version)
a Linux jako hostitelský systém.
1. Princip
Kód i data zůstávají na lokálním disku a do kontejneru se připojí jako bind mount. Editor, git a soubory používáte lokálně, kontejner poskytuje jen Python a závislosti nainstalované micromambou.
Image se přestavuje jen při změně závislostí. Změny kódu jsou v kontejneru vidět okamžitě, bez buildu.
2. Struktura projektu
muj-projekt/
├── docker-compose.yml
├── Dockerfile
├── environment.yml
├── .env
├── .dockerignore
├── src/ # váš kód
└── data/ # data (nebo libovolný jiný adresář na disku)
3. Konfigurační soubory
environment.yml
Všechny závislosti, včetně pip balíčků. Název base je záměrný,
prostředí se pak v kontejneru aktivuje automaticky.
name: base
channels:
- conda-forge
dependencies:
- python=3.12
- numpy
- pandas
- gdal
- pip
- pip:
- nejaky-pip-balicek
Dockerfile
Založený na oficiálním image mambaorg/micromamba, který je malý
a rychlý.
FROM mambaorg/micromamba:1.5.10
COPY --chown=$MAMBA_USER:$MAMBA_USER environment.yml /tmp/environment.yml
RUN micromamba install -y -n base -f /tmp/environment.yml && \
micromamba clean --all --yes
# aby python fungoval i v "docker compose exec" bez aktivace
ENV PATH=/opt/conda/bin:$PATH
# kontejner běží pod vaším UID, které v image nemá domovský adresář
ENV HOME=/tmp
ENV PYTHONUNBUFFERED=1
ENV PYTHONPATH=/workspace/src
WORKDIR /workspace
Tip: Verzi image připněte na konkrétní tag, aby se prostředí nečekaně neměnilo. Aktuální tagy (včetně řady 2.x) najdete na Docker Hubu. Cesta
/opt/condazůstává stejná.
Systémové programy se instalují přes USER root,
RUN apt-get update && apt-get install -y ... a zpět USER $MAMBA_USER.
Většina potřebných programů je ale dostupná i na conda-forge.
docker-compose.yml
services:
app:
build: .
image: muj-projekt-dev
user: "${UID:-1000}:${GID:-1000}"
shm_size: "8gb" # víc sdílené paměti pro multiprocessing
volumes:
- ./:/workspace # kód
- ${DATA_DIR:-./data}:/data # data
working_dir: /workspace
command: sleep infinity # kontejner běží a příkazy se do něj posílají
# ports:
# - "8888:8888" # odkomentujte pro Jupyter
.env
Compose tento soubor načte automaticky. UID a GID zjistíte příkazy
id -u a id -g. Bez nich by soubory vytvořené kontejnerem nepatřily
vám.
UID=1000
GID=1000
DATA_DIR=/home/vase_jmeno/velka_data
.dockerignore
Data a git do image nepatří, jinak se build zbytečně zpomalí.
data/
.git/
__pycache__/
4. Spuštění a každodenní práce
docker compose up -d --build # poprvé: build image a spuštění
docker compose exec app python src/zpracuj.py /data/vstup.csv
docker compose exec app bash # interaktivní shell v kontejneru
docker compose down # zastavení
Jednorázové spuštění bez běžícího kontejneru:
docker compose run --rm app python src/zpracuj.py
Alias do ~/.bashrc, aby to působilo jako lokální Python (funguje
v adresáři projektu):
alias dpy='docker compose exec app python'
# pak stačí: dpy src/zpracuj.py
Kód upravujete v lokálním editoru a změny jsou v kontejneru vidět hned.
Po přidání balíčku do environment.yml spusťte znovu
docker compose up -d --build.
Napojení editoru
- VS Code: rozšíření Dev Containers, příkaz „Reopen in Container“
a výběr
docker-compose.ymla službyapp. Rozšíření vytvoří soubor.devcontainer/devcontainer.json. Doplňování kódu, debugger i terminál pak používají Python z kontejneru. - PyCharm Professional: Settings → Python Interpreter → Add
Interpreter → Docker Compose, služba
app.
5. Výkon na Linuxu
Výkonnostní ztráta je na Linuxu prakticky zanedbatelná. Kontejner není virtuální stroj, ale obyčejný proces na hostitelském jádře, izolovaný pomocí namespaces a cgroups.
| Oblast | Dopad | Poznámka |
|---|---|---|
| CPU a paměť | prakticky žádný | Docker standardně nenastavuje limity, kontejner vidí všechna jádra i celou RAM |
Bind mounty (/workspace, /data) |
žádný | čtení i zápis jdou přímo na lokální filesystém; pomalost se týká jen macOS a Windows |
| Vnitřní filesystém kontejneru (overlay) | mírný | při tomto nastavení se skoro nepoužívá |
| GPU (NVIDIA) | prakticky žádný | vyžaduje NVIDIA Container Toolkit a v compose sekci deploy.resources.reservations.devices |
| Síť (bridge) | malá režie | pro zpracování dat nepodstatná, případně network_mode: host |
Start příkazu přes exec |
cca 100–300 ms | znát jen u stovek krátkých spuštění |
Na co si dát pozor
- Sdílená paměť: výchozí
/dev/shmmá jen 64 MB. To vadí knihovnám smultiprocessingnebo sdílenou pamětí (PyTorch DataLoader, Ray, joblib). Proto je v composeshm_size, alternativněipc: host. - Numerické knihovny: rozdíl ve výkonu obvykle nezpůsobuje Docker,
ale jiná knihovna BLAS (OpenBLAS místo MKL) nebo jiná verze balíčku.
Na procesorech Intel může u lineární algebry pomoci přidat do
environment.ymlbalíčeklibblas=*=*mkl. - Krátké opakované příkazy: smyčku přes stovky souborů je lepší
udělat uvnitř Pythonu nebo v shellu v kontejneru než opakovaným
docker compose exec.
6. Tipy
- Jupyter: přidejte
jupyterlabdoenvironment.yml, odkomentujte porty v compose a kontejner znovu vytvořte (docker compose up -d --build). Pak spusťtedocker compose exec app jupyter lab --ip=0.0.0.0 --no-browsera otevřete odkaz s tokenem z výpisu. - Cesty v kódu: používejte
/data/..., případně cestu předávejte argumentem nebo proměnnou prostředí. Kde data fyzicky leží, se pak mění jen vDATA_DIRv.env. - Úklid: staré image a mezivrstvy z buildů odstraníte příkazem
docker image prune.
Další zdroje
- Dokumentace micromamby: https://mamba.readthedocs.io/en/latest/user_guide/micromamba.html
- Image micromamba-docker: https://micromamba-docker.readthedocs.io/
- Docker Compose: https://docs.docker.com/compose/
- Alternativa bez condy: uv – správce Pythonu a projektů