当前位置: 首页 > news >正文

如何构建自适应架构的镜像

目标

我有一个服务叫xxx,一开始它运行在x86架构的机器上,所以最开始有个xxx:stable-amd64的镜像,后来它又需要运行在arm64架构的机器上,所以又重新打了个xxx:stable-arm64的镜像
但是对于安装脚本来说,我不希望我在拉取镜像时还有根据服务器架构去区分arm64和amd64两个tag,是否可以用一个tag让docker pull命令根据当前执行的机器的架构自动区分不同的tag呢?

实现

要实现用户通过docker pull xxx:stable自动根据其系统架构拉取对应的镜像(xxx:stable-arm64xxx:stable-amd64),你需要创建一个 多架构镜像清单(Manifest List)。以下是详细步骤:


前提条件

  1. 已安装 Docker CLI 18.03+(建议使用最新版本)
  2. 确保已登录 Docker Hub 或其他镜像仓库:
    docker login
    
  3. 两个镜像已推送到镜像仓库:
    docker push xxx:stable-arm64
    docker push xxx:stable-amd64
    

步骤 1:创建多架构 Manifest List

使用 docker manifest 命令(需启用 Docker CLI 实验性功能):

# 启用 Docker CLI 实验性功能(Linux/macOS)
export DOCKER_CLI_EXPERIMENTAL=enabled# 创建 Manifest List
docker manifest create xxx:stable \xxx:stable-arm64 \xxx:stable-amd64

步骤 2:为每个架构指定平台

# 为 arm64 镜像添加架构信息
docker manifest annotate xxx:stable xxx:stable-arm64 \--arch arm64# 为 amd64 镜像添加架构信息
docker manifest annotate xxx:stable xxx:stable-amd64 \--arch amd64

步骤 3:推送 Manifest List 到仓库

docker manifest push xxx:stable

验证 Manifest List

docker manifest inspect xxx:stable

输出应包含两个架构的镜像信息:

{"manifests": [{"digest": "sha256:...","platform": { "architecture": "arm64", "os": "linux" }},{"digest": "sha256:...","platform": { "architecture": "amd64", "os": "linux" }}]
}

用户拉取镜像

用户只需运行:

docker pull xxx:stable

Docker 会自动根据用户的系统架构(arm64amd64)拉取匹配的镜像。


注意事项

  1. 镜像仓库支持:确保使用的镜像仓库(如 Docker Hub、Harbor)支持 Manifest V2。
  2. 镜像标签一致性:所有子镜像(如 xxx:stable-arm64)必须存在于仓库中。
  3. Buildx 替代方案(推荐):
    未来构建多架构镜像时,可直接用 docker buildx 一次性构建并推送 Manifest List:
    docker buildx build --platform linux/amd64,linux/arm64 \-t xxx:stable \--push .
    

通过以上步骤,xxx:stable 就成为了一个多架构镜像,Docker 会自动为用户选择正确的架构镜像。

http://www.xdnf.cn/news/789589.html

相关文章:

  • Diffusion Models: A Comprehensive Survey of Methods and Applications
  • 网络攻防技术七:计算机木马
  • Java高级 | 【实验二】控制器类+相关注解知识
  • InternLM2/LM2.5/ViT/VL1.5/VL2.0笔记: 核心点解析
  • 服装产品属性描述数据集(19197条),AI智能体知识库收集~
  • ULVAC DC-10-4P 400V input 10kW DC Pulse power supply 爱发科直流电源
  • ESOP股权管理平台完整解决方案
  • 基于LLaMA-Factory和Easy Dataset的Qwen3微调实战:从数据准备到LoRA微调推理评估的全流程指南
  • 开源模型应用落地-OpenAI Agents SDK-集成Qwen3-8B(一)
  • CDGP|数据治理:实现数据“可用不可见”“流通不流失”
  • [QMT量化交易小白入门]-六十、bt实现基于不同基准指数的量化策略回测
  • BFS进阶刷题
  • Spring 中如何开启事务?
  • 嵌入式学习笔记 - freeRTOS任务栈在初始化以及任务切换时的压栈出栈过程分析
  • 黑马程序员TypeScript课程笔记1(1-10)
  • 云开发实现新闻列表小程序
  • Cat.1与Cat.4区别及应用场景
  • QLora基础与进阶指南
  • 从汇编的角度揭秘C++引用,豁然开朗
  • 简简单单探讨下starter
  • 力扣面试150题--二叉搜索树中第k小的元素
  • 视频转换新选择:XMedia Recode v3.6.1.2,绿色便携版来袭
  • 【分布式技术】KeepAlived高可用架构科普
  • java复习 01
  • [Java 基础]打印金字塔
  • 股票指数期货的变动与股票价格指数的关系是什么?
  • Unity Version Control UVC报错:Not connected. Trying to re-connect…
  • 【刷机】从pixel刷回miui12的过程记录
  • git管理
  • 面试经验 对常用 LLM 工具链(如 LlamaFactory)的熟悉程度和实践经验