Управление Docker контейнерами с помощью docker-py
docker-py – это официальная библиотека Python для Docker, предоставляющая API для взаимодействия с Docker Daemon. С её помощью можно автоматизировать процессы создания, запуска, остановки и удаления контейнеров, работы с образами, сетями и томами Docker.
import docker
# Создание клиента
client = docker.from_env()
# Запуск контейнера
container = client.containers.run("ubuntu:latest", "echo Hello, docker-py!", detach=True)
# Получение логов контейнера
print(container.logs().decode())
# Остановка и удаление контейнера
container.stop()
container.remove()
В данном примере мы создаем клиента Docker, используя переменные окружения текущей сессии. Затем мы запускаем контейнер из образа ubuntu:latest, выполняем в нем команду echo, выводим логи работы контейнера и в конце останавливаем и удаляем контейнер.
Управление образами с помощью docker-py:
# Получение списка всех образов
images = client.images.list()
# Вывод информации о каждом образе
for image in images:
print(f'ID: {image.id}, Теги: {image.tags}')
Для дальнейшего изучения и ознакомления с более продвинутыми возможностями рекомендуется обратиться к официальной документации.
#python#docker#dockerpy
📶 Создаём виртуальную сеть, как это делает Docker.
• Как известно, #Docker умеет создавать виртуальные сети для безопасного и удобного сетевого взаимодействия внутри контейнеров. В этой статье мы рассмотрим, как именно он это делает на примере базовых манипуляций с сетью в рамках одного хоста с операционной системой #Linux.
• По итогу мы получим:
- http-сервер, запущенный в изолированном сетевом пространстве;
- Доступ к этому серверу по порту 8000 из loopback (localhost) интерфейса хоста;
- Перенаправление пакетов от других машин по tcp порту 8000 в наш http-сервер.
➡️Читать статью [10 min].
• Дополнительный материал: в этой статье автор рассказывает о том, как работает сеть в контейнерах и разбирает следующие вопросы:
- Как виртуализировать сетевые ресурсы, чтобы контейнеры думали, что у них есть отдельная сетевая среда?
- Как превратить контейнеры в дружелюбных соседей и научить общаться друг с другом?
- Как выйти во внешний мир (например, в Интернет) изнутри контейнера?
- Как связаться с контейнерами, работающими на хосте Linux, из внешнего мира?
- Как реализовать публикацию портов, подобную Docker?
➡️Ссылка на статью [25 min].
#Сети#DevOps#Docker
#book#python#r
⚽️
Football Analytics with Python & R.
✍️Eric A. Eager; Richard A. Erickson
-----
Main channel:@repo_science
Coupons:@freecoupons_reposcience
-----
Добро пожаловать в мир главного ит тренда - машинного обучения: @machinelearning_ru
В канале вы найдете :
📃Статьи ,
📚Книги
👨💻Код
🔗Ссылки
🦾Вакансии
и много другой полезной информации
#ArtificialIntelligence#DeepLearning
#MachineLearning#DataScience
#Python
1 канал вместо тысячи учебников и курсов 👇👇👇
🤖@machinelearning_ru
Добро пожаловать в мир главного ит тренда - машинного обучения: @machinelearning_ru
В канале вы найдет :
📃Статьи ,
📚Книги
👨💻Код
🔗Ссылки
и много другой полезной информации
#ArtificialIntelligence#DeepLearning
#MachineLearning#DataScience
#Python
1 канал вместо тысячиучебников и курсов👇👇👇
🤖@machinelearning_ru
Геоаналитик в Яндекс Карты
Яндекс Карты разрабатывают инструменты и обучают ML-модели на основе геоданных, которые помогают решать задачи в реальном мире. Наши проекты — крутая возможность использовать большие данные и продвинутую аналитику для решения широкого спектра задач. Мы разрабатываем инструменты как для внешних коммерческих клиентов, так и для внутренних клиентов в Яндексе.
Ищем геоаналитика в нашу команду.
Какие задачи вас ждут
Прогнозирование посещаемости магазинов на основе геоданных
Вы будете строить ML-модели, прогнозирующие посещаемость точек интереса на основе географических и пользовательских данных из Яндекс Карт, работать с большими данными, проводить EDA, подготавливать фичи, интерпретировать результаты и визуализировать их для клиентов и внутренних продуктов.
Выбор оптимальной локации для открытия новых точек
Вам нужно будет анализировать потенциальные локации для открытия магазинов, учитывая географические, демографические и поведенческие данные, разрабатывать методики и инструменты для автоматического подбора локаций, создавать дашборды с картами, сравнивать варианты и помогать клиентам принимать обоснованные решения.
Анализ городской среды
Вам предстоит анализировать поведение пользователей в городской среде и предлагать решения, которые помогут улучшать инфраструктуру. Помимо этого, вы будете работать с географическими и поведенческими данными, создавать визуализации и использовать аналитические подходы для поддержки решений в урбанистике и развитии городов.
Мы ждём, что вы
• Работали с большими данными и применяли продвинутую аналитику
• Знаете SQL, Python, BI-инструменты (DataLens, Grafana)
• Понимаете основы ML
• Можете анализировать поведение пользователей и строить метрики взаимодействия с картографическими объектами
Что мы предлагаем
С нами легко развиваться. Если для рабочих задач вам нужно подтянуть язык — организуем обучение и оплатим 50% стоимости. Это не все бонусы — полный список тут https://yandex.ru/jobs/pages/benefits.
#карты#BI#sql#python#аналитика#ML
тг для связи: @koroskotoh
#python#docker#fastapi#kbqa#kgqa#llms#neo4j#rag#vue
Yuxi-Know (语析) is a free, open-source platform built with LangGraph, Vue.js, FastAPI, and LightRAG to create smart agents using RAG knowledge bases and knowledge graphs. The latest v0.4.0-beta (Dec 2025) adds file uploads, multimodal image support, mind maps from files, evaluation tools, dark mode, and better graph visuals. It helps you quickly build and deploy custom AI agents for Q&A, analysis, and searches without starting from scratch, saving time and effort on development.
https://github.com/xerrors/Yuxi-Know