Dalam keluaran yang lepas, kami menerangkan cara menyimpan aplikasi Ruby on Rails. Dalam isu ini kita akan meneroka cara melaksanakan tugas harian dalam bekas.
Jalankan tugas Rake dan arahan Rails
Menjalankan tugas Rake adalah mudah. Selepas anda membina imej, anda boleh menggunakan docker-compose untuk menjalankan arahan di dalamnya. Contohnya, jika anda ingin melihat laluan aplikasi anda:
$ docker-compose run web rails routes
Begitu juga, jika anda ingin mencipta pangkalan data, pindahkan dan isikan data:
$ docker-compose run web rails db:create db:migrate db:seed
Jika anda ingin menjalankan suite ujian, anda mesti mencipta pangkalan data ujian:
$ docker-compose run web rails db:create db:migrate RAILS_ENV=test
Kemudian jalankan suite ujian (dengan andaian rake menjalankan ujian rake secara lalai):
$ docker-compose run web rake
Petua: Buat skrip/alias tersuai
Saya berlari docker-compose run web rails ...
beratus kali sehari, dan untuk memudahkan urusan saya meletakkan skrip ini di dalam $PATH
saya:
#!/bin/bash docker-compose run web rails "$@"
Sila ambil perhatian bahawa skrip ini menganggap bahawa fail docker-compose.yml
anda mempunyai perkhidmatan web. Jika tidak, ia tidak akan berfungsi.
Lakukan tugas lain
Setakat ini semua arahan adalah sangat mudah dan mudah, anda hanya perlu menjalankannya dalam perkhidmatan web. Jadi apa yang anda lakukan dengan beberapa tugas yang lebih sukar seperti memuatkan pangkalan data sedia ada ke dalam pangkalan data bekas? Ini adalah salah satu tugas yang saya ambil sedikit masa untuk memikirkannya.
Dalam PostgreSQL, terdapat dua cara untuk melakukan ini, bergantung pada format fail dump. Dahulu, kita terpaksa berhadapan dengan --format=c
tempat pembuangan sampah dan pembuangan sampah biasa.
Andaikan anda mempunyai fail latest.dump
yang mengandungi pembuangan PostgreSQL dalam format c, dan anda ingin memuatkannya ke dalam bekas (berjalan), mula-mula anda perlu mengetahui ID kontena. Anda boleh melakukan ini dengan menjalankan arahan berikut:
$ docker container ls
atau
$ docker ps
Setelah anda mempunyai ID bekas (dalam contoh ini, kami akan menggunakan 80f8041db4b4
), anda boleh menjalankan arahan berikut untuk memulihkan tempat pembuangan dalam bekas:
$ docker exec -i 80f8041db4b4 pg_restore -d app_development -U postgres
Jika anda mempunyai tempat pembuangan biasa (cth. latest.sql
), anda boleh memulihkannya menggunakan:
$ docker exec -i 80f8041db4b4 psql -d app_development -U postgres
Jika anda menggunakan docker-compose, perkara menjadi lebih mudah:
$ docker-compose exec -T db pg_restore -d app_development -U postgres
Semuanya dalam bekas!
Saya banyak menggunakan Elastic Beanstalk. Saya biasanya memasangnya menggunakan Homebrew, tetapi ia memasang banyak kebergantungan sendiri seperti Python, SQLite, dll. Saya tidak mahu semua ini pada sistem saya, terutamanya kerana saya sentiasa menghadapi masalah dengan versi Python. Sebaliknya, saya menyimpannya: docker-awsebcli
.
Nantikan keluaran seterusnya!
Atas ialah kandungan terperinci Docker dalam pembangunan: Episod 3. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Aplikasi dunia sebenar Python termasuk analisis data, pembangunan web, kecerdasan buatan dan automasi. 1) Dalam analisis data, Python menggunakan panda dan matplotlib untuk memproses dan memvisualisasikan data. 2) Dalam pembangunan web, kerangka Django dan Flask memudahkan penciptaan aplikasi web. 3) Dalam bidang kecerdasan buatan, tensorflow dan pytorch digunakan untuk membina dan melatih model. 4) Dari segi automasi, skrip python boleh digunakan untuk tugas -tugas seperti menyalin fail.

Python digunakan secara meluas dalam bidang sains data, pembangunan web dan bidang skrip automasi. 1) Dalam sains data, Python memudahkan pemprosesan dan analisis data melalui perpustakaan seperti numpy dan panda. 2) Dalam pembangunan web, rangka kerja Django dan Flask membolehkan pemaju dengan cepat membina aplikasi. 3) Dalam skrip automatik, kesederhanaan Python dan perpustakaan standard menjadikannya ideal.

Fleksibiliti Python dicerminkan dalam sokongan multi-paradigma dan sistem jenis dinamik, sementara kemudahan penggunaan berasal dari sintaks mudah dan perpustakaan standard yang kaya. 1. Fleksibiliti: Menyokong pengaturcaraan berorientasikan objek, fungsional dan prosedur, dan sistem jenis dinamik meningkatkan kecekapan pembangunan. 2. Kemudahan Penggunaan: Tatabahasa adalah dekat dengan bahasa semulajadi, perpustakaan standard merangkumi pelbagai fungsi, dan memudahkan proses pembangunan.

Python sangat disukai kerana kesederhanaan dan kuasa, sesuai untuk semua keperluan dari pemula hingga pemaju canggih. Kepelbagaiannya dicerminkan dalam: 1) mudah dipelajari dan digunakan, sintaks mudah; 2) perpustakaan dan kerangka yang kaya, seperti numpy, panda, dan sebagainya; 3) sokongan silang platform, yang boleh dijalankan pada pelbagai sistem operasi; 4) Sesuai untuk tugas skrip dan automasi untuk meningkatkan kecekapan kerja.

Ya, pelajari Python dalam masa dua jam sehari. 1. Membangunkan pelan kajian yang munasabah, 2. Pilih sumber pembelajaran yang betul, 3 menyatukan pengetahuan yang dipelajari melalui amalan. Langkah -langkah ini dapat membantu anda menguasai Python dalam masa yang singkat.


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

MinGW - GNU Minimalis untuk Windows
Projek ini dalam proses untuk dipindahkan ke osdn.net/projects/mingw, anda boleh terus mengikuti kami di sana. MinGW: Port Windows asli bagi GNU Compiler Collection (GCC), perpustakaan import yang boleh diedarkan secara bebas dan fail pengepala untuk membina aplikasi Windows asli termasuk sambungan kepada masa jalan MSVC untuk menyokong fungsi C99. Semua perisian MinGW boleh dijalankan pada platform Windows 64-bit.

Dreamweaver CS6
Alat pembangunan web visual

Versi Mac WebStorm
Alat pembangunan JavaScript yang berguna

ZendStudio 13.5.1 Mac
Persekitaran pembangunan bersepadu PHP yang berkuasa

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma