2.docker镜像的导入导出
目录
- 概述
- docker 常用命令
- 下载
- 导出
- 导入镜像
- 结束
概述
docker 常用命令
本章节使用到的命令,总结在此,后面有使用案例。
| 命令 | 作用 |
|---|---|
| docker images | 显示镜像 |
| docker rmi $(docker images -q) | 删除系统上所有的镜像 |
| docker rmi -f | 强制删除多个镜像 :docker rmi -f nginx mysql |
| docker save -o <导出路径/文件名.tar> <镜像名称> | |
| docker load -i <导出路径/文件名.tar> | 导入镜像 |
下载
生产的机器一般是 无外网环境 ,所以 docker 要离线安装,镜像也需要离线安装。
所以需要一台连网的机器,先将镜像下载,再导出
appledeMacBook-Pro:~ hyl$ docker images
REPOSITORY TAG IMAGE ID CREATED SIZE
pangliang/rocketmq-console-ng latest ce1afb55c045 4 years ago 118MB
rocketmqinc/rocketmq latest 09bbc30a03b6 4 years ago 380MB
appledeMacBook-Pro:~ hyl$
appledeMacBook-Pro:~ hyl$ docker rmi $(docker images -q)
Untagged: pangliang/rocketmq-console-ng:latest
Untagged: pangliang/rocketmq-console-ng@sha256:630eb2fb9f144637bb6f77af37e23426e0c0596b0d46873f1c921f8f6c4aa17a
Deleted: sha256:ce1afb55c04576af89153d98789d55d8bca0ed5c30a456bc9c9161859a9e6f9f
Deleted: sha256:fdde7851a1539da25abd154a97e6f47a5166256e1ff37768d8e92016b37f54ae
Deleted: sha256:aba8cd4318a8a15f59f305368e49cc3bbd0d6d72171a0b24d08cc00513b14ef4
Deleted: sha256:c318fbba92645a83843c387bd78497e7b143ecc7f5ed99dcb7d38fc62442c02a
Deleted: sha256:f1b5933fe4b5f49bbe8258745cf396afe07e625bdab3168e364daf7c956b6b81
Untagged: rocketmqinc/rocketmq:latest
Untagged: rocketmqinc/rocketmq@sha256:b08556227ad8d169b7927f4c48335877cb10060e6781374ce5a644ea29f6fbe1
Deleted: sha256:09bbc30a03b682786ad205beb772a382d4cecc8a521206d7b3c50e95fb725530
Deleted: sha256:9b56b922584897d7008163dc149c70a987fac1ae6b1929f4412efe9f8c2ede78
Deleted: sha256:33183233106a7e3aa85b0d2bc1d65260f9c4d78040c78370940ecc2331ea313d
Deleted: sha256:2f228f2a23dfa6754aede6994c84fb52386e0bb5a02226f0070f0eb0f44fd85e
Deleted: sha256:8f9cb5d760f829ad52a340f773ff645db0138d0583b8ccf2b62554480707554c
Deleted: sha256:7fa827024c4d1c03f341b9f5a28bc3cf37264c431ec4a3f7abdafeaf990f45d8
Deleted: sha256:5cc9537c34c58cda2cf83d0d4fa991a508f89b1a86eada4d190878785b6f9172
Deleted: sha256:ef8da6bbb9df05a886aae9a4175664802cef24582203f10dfe1d84ce00f8db1d
Deleted: sha256:071d8bd765171080d01682844524be57ac9883e53079b6ac66707e192ea25956
appledeMacBook-Pro:~ hyl$ docker images
REPOSITORY TAG IMAGE ID CREATED SIZE
下载镜像
appledeMacBook-Pro:~ hyl$ docker pull influxdb:1.8
1.8: Pulling from library/influxdb
2f088d622efd: Pull complete
de448b80f064: Pull complete
469105de3319: Pull complete
cdad387b3290: Pull complete
b9b6af5df828: Pull complete
20272ddaf2bf: Pull complete
708944893048: Pull complete
Digest: sha256:f02e9d97bd1edf36f343d0478b9e4d3bf0f4a7c30d59c4edca6acf2b6065f2a9
Status: Downloaded newer image for influxdb:1.8
docker.io/library/influxdb:1.8
appledeMacBook-Pro:~ hyl$ docker pull grafana/grafana
Using default tag: latest
Error response from daemon: Get https://registry-1.docker.io/v2/: net/http: TLS handshake timeout
appledeMacBook-Pro:~ hyl$ docker pull grafana/grafana
Using default tag: latest
latest: Pulling from grafana/grafana
7264a8db6415: Pull complete
3cf7ed17dad5: Pull complete
00fbaa4ff278: Pull complete
1712a81b1c5b: Pull complete
b82f661477d7: Pull complete
85d88afc7ec6: Pull complete
5aeff27f6208: Pull complete
2309246adff5: Pull complete
4a6fe4caa3c7: Pull complete
6309adfe5521: Pull complete
Digest: sha256:1ee0c54286b8ca09a3dd1419ff8653e7780a148a006ac088544203bb0affe550
Status: Downloaded newer image for grafana/grafana:latest
docker.io/grafana/grafana:latest
appledeMacBook-Pro:~ hyl$
导出
将下载下来的 镜像 导出并且打包,上传至离线的服务器上,进行导入工作。
docker save -o /Users/hyl/Desktop/jk/influxdb.tar influxdb:1.8
docker save -o /Users/hyl/Desktop/jk/grafana.tar grafana/grafana:latest
操作如下图:

导出过程可能需要一些时间,取决于镜像的大小,所以需要耐心等待。
导入镜像
导出完成后,可以使用 docker load 命令验证导出的镜像。以下是载入镜像的示例命令:

[root@hadoop01 ~]# docker load -i ./influxdb.tar
53ae7e5bcde8: Loading layer [==================================================>] 129.4MB/129.4MB
47a0492361a1: Loading layer [==================================================>] 29.53MB/29.53MB
ea498917da7b: Loading layer [==================================================>] 10.75kB/10.75kB
18ae329703f8: Loading layer [==================================================>] 154MB/154MB
63f6173a2112: Loading layer [==================================================>] 3.072kB/3.072kB
99108cfee517: Loading layer [==================================================>] 2.048kB/2.048kB
3ab566fe20ca: Loading layer [==================================================>] 5.632kB/5.632kB
Loaded image: influxdb:1.8
[root@hadoop01 ~]# docker load -i ./grafana.tar
4693057ce236: Loading layer [==================================================>] 7.626MB/7.626MB
bdf330023361: Loading layer [==================================================>] 2.56kB/2.56kB
018ee2d8caca: Loading layer [==================================================>] 8.495MB/8.495MB
7ccfea30313d: Loading layer [==================================================>] 10.19MB/10.19MB
fb7a544ac307: Loading layer [==================================================>] 162.3kB/162.3kB
4ee20b1f5366: Loading layer [==================================================>] 89.6kB/89.6kB
5892380a6ea3: Loading layer [==================================================>] 189.1MB/189.1MB
3c537f66dd33: Loading layer [==================================================>] 191.2MB/191.2MB
bf5a90fccd9f: Loading layer [==================================================>] 37.89kB/37.89kB
e14e42fdf9d7: Loading layer [==================================================>] 5.12kB/5.12kB
Loaded image: grafana/grafana:latest
[root@hadoop01 ~]#
如下图导入成功了

结束
至此,docker 镜像的导入导出就结束了,如有问题,欢迎评论区留言。
相关文章:
2.docker镜像的导入导出
目录 概述docker 常用命令下载导出导入镜像结束 概述 docker 常用命令 本章节使用到的命令,总结在此,后面有使用案例。 命令作用docker images显示镜像docker rmi $(docker images -q)删除系统上所有的镜像docker rmi -f强制删除多个镜像 :…...
bs4介绍和遍历文档树、搜索文档树、案例:爬美女图片、 bs4其它用法、css选择器
bs4介绍和遍历文档树 BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库,解析库 需要安装模块:pip install beautifulsoup4 使用 解析库可以使用 lxml,速度快(必须安装) 可以使用python内置的 # html…...
微服务-开篇-个人对微服务的理解
从吃饭说起 个人理解新事物的时候喜欢将天上飞的理念转换成平常生活中的实践,对比理解这些高大上的名词,才能让我们减少恐慌的同时加深理解。废话不多说,我们从吃饭开始说起,逐渐类比出微服务的思想。 (个人见解&…...
机器学习算法-集成学习
概念 集成学习是一种机器学习方法,它通过构建并结合多个机器学习器(基学习器)来完成学习任务。集成学习的潜在思想是即便某一个弱分类器得到了错误的预测,其他的弱分类器也可以将错误纠正回来。集成学习通常被视为一种元算法&…...
LINUX入门篇【4】开发篇--开发工具vim的使用
前言: 从这一篇开始,我们将正式进入使用LINUX进行写程序和开发的阶段,可以说,由此开始,我们才开始真正去使用LINUX。 介绍工具: 1.LINUX软件包管理器yum: 1.yum的介绍: 在LINUX…...
代码随想录算法训练营Day 50 || 309.最佳买卖股票时机含冷冻期、714.买卖股票的最佳时机含手续费
309.最佳买卖股票时机含冷冻期 力扣题目链接 给定一个整数数组,其中第 i 个元素代表了第 i 天的股票价格 。 设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票): 你不能同时…...
【C语言】【数据结构】【环形链表判断是否带环并返回进环节点】有数学推导加图解
1.判断是否带环: 用快慢指针 slow指针一次走一步,fast指针一次走两步 当两个指针相遇时,链表带环;两个指针不能相遇时,当fast走到倒数第一个节点或为空时,跳出循环返回空指针。 那么slow指针一次走一步&a…...
漏洞扫描-nuclei-poc编写
0x00 nuclei Nuclei是一款基于YAML语法模板的开发的定制化快速漏洞扫描器。它使用Go语言开发,具有很强的可配置性、可扩展性和易用性。 提供TCP、DNS、HTTP、FILE 等各类协议的扫描,通过强大且灵活的模板,可以使用Nuclei模拟各种安全检查。 …...
SpringBoot 自动配置
Condition 自定义条件: 定义条件类:自定义类实现Condition接口,重写 matches 方法,在 matches 方法中进行逻辑判断,返回boolean值 。 matches 方法两个参数: context:上下文对象,可…...
IP-guard WebServer 远程命令执行漏洞
IP-guard WebServer 远程命令执行漏洞 免责声明漏洞描述漏洞影响漏洞危害网络测绘Fofa: app"ip-guard" 漏洞复现1. 构造poc2. 访问文件3. 执行命令 免责声明 仅用于技术交流,目的是向相关安全人员展示漏洞利用方式,以便更好地提高网络安全意识和技术水平。 任何人不…...
每次重启完IDEA,application.properties文件里的中文变成?
出现这种情况,在IDEA打开Settings-->Editor-->File Encodings 然后,你需要将问号改为你需要的汉字。 重启IDEA,再次查看你的.properties文件就会发现再没有变成问号了...
【Truffle】四、通过Ganache部署连接
目录 一、下载安装 Ganache: 二、在本地部署truffle 三、配置ganache连接truffle 四、交易发送 除了用Truffle Develop,还可以选择使用 Ganache, 这是一个桌面应用,他同样会创建一个个人模拟的区块链。 对于刚接触以太坊的同学来说&#x…...
React 其他常用Hooks
1. useImperativeHandle 在react中父组件可以通过forwardRef将ref转发到子组件;子组件拿到父组件创建的ref,绑定到自己的某个元素; forwardRef的做法本身没有什么问题,但是我们是将子组件的DOM直接暴露给了父组件,某下…...
将 ONLYOFFICE 文档编辑器与 С# 群件平台集成
在本文中,我们会向您展示 ONLYOFFICE 文档编辑器与其自有的协作平台集成。 ONLYOFFICE 是一款开源办公套件,包括文本文档、电子表格和演示文稿编辑器。这款套件支持用户通过文档编辑组件扩展第三方 web 应用的功能,可直接在应用的界面中使用。…...
使用电脑时提示msvcp140.dll丢失的5个解决方法
“计算机中msvcp140.dll丢失的5个解决方法”。在我们日常使用电脑的过程中,有时会遇到一些错误提示,其中之一就是“msvcp140.dll丢失”。那么,什么是msvcp140.dll呢?它的作用是什么?丢失它会对电脑产生什么影响呢&…...
VR全景如何应用在房产行业,VR看房有哪些优势
导语: 在如今的数字时代,虚拟现实(VR)技术的迅猛发展为许多行业带来了福音,特别是在房产楼盘行业中。通过利用VR全景技术,开发商和销售人员可以为客户提供沉浸式的楼盘浏览体验,从而带来诸多优…...
11月份 四川汽车托运报价已经上线
中国人不骗中国人!! 国庆小长假的高峰期过后 放假综合症的你还没痊愈吧 今天给大家整理了9条最新线路 广州到四川的托运单价便宜到💥 核算下来不过几毛钱💰 相比起自驾的漫长和疲惫🚗 托运不得不说真的很省事 - 赠送保险 很多客户第一次运车 …...
springcloud图书借阅管理系统源码
开发说明: jdk1.8,mysql5.7,nodejs,idea,nodejs,vscode springcloud springboot mybatis vue elementui 功能介绍: 用户端: 登录注册 首页显示搜索图书,轮播图&…...
主题模型LDA教程:LDA主题数选取:困惑度preplexing
文章目录 LDA主题数困惑度1.概率分布的困惑度2.概率模型的困惑度3.每个分词的困惑度 LDA主题数 LDA作为一种无监督学习方法,类似于k-means聚类算法,需要给定超参数主题数K,但如何评价主题数的优劣并无定论,一般采取人为干预、主题…...
Docker快速入门
Docker是一个用来快速构建、运行和管理应用的工具。 Docker技术能够避免对服务器环境的依赖,减少复杂的部署流程,有了Docker以后,可以实现一键部署,项目的部署如丝般顺滑,大大减少了运维工作量。 即使你对Linux不熟…...
实习07-混合大模型的学习
1 看架构(Configuration 配置文件) 首先,拿到代码,看配置文件里面的架构选型,其中 configuration.py 文件里面包含了模型每层的选型,以下是 layer 构建的代码: @propertydef layers_block_type(self):"""Returns a list of block types for each layer.…...
歌词滚动姬:3分钟学会制作专业LRC歌词的免费神器
歌词滚动姬:3分钟学会制作专业LRC歌词的免费神器 【免费下载链接】lrc-maker 歌词滚动姬|可能是你所能见到的最好用的歌词制作工具 项目地址: https://gitcode.com/gh_mirrors/lr/lrc-maker 还在为制作歌词同步而烦恼吗?每次都要反复暂…...
Win10下Tex Live安装提速秘籍:国内四大镜像站实测对比(附uGet配置技巧)
Win10下Tex Live安装提速全攻略:镜像站选择与uGet高效配置 对于科研工作者和LaTeX初学者来说,在Windows平台安装Tex Live时最令人头疼的莫过于漫长的下载等待。我曾经历过整整一下午盯着进度条几乎不动的绝望,直到发现镜像站和多线程下载工具…...
保姆级教程:在Ubuntu 16.04上从零搭建复旦微FMQL芯片的Linux开发环境(含IAR/Procise/Petalinux)
复旦微FMQL芯片Linux开发环境搭建全指南:从零构建到实战部署 引言:为什么选择FMQL芯片进行嵌入式开发? 在当今嵌入式系统开发领域,国产芯片正逐渐崭露头角,复旦微电子推出的FMQL系列芯片凭借其高性能、低功耗和丰富的外…...
从PS内容识别到DALL-E 3:聊聊图像‘无中生有’技术的演进与商业场景
从PS内容识别到DALL-E 3:图像生成技术的商业革命 在数字图像处理领域,"无中生有"正从科幻概念变为日常工具。设计师用Photoshop的"内容识别填充"去除照片中的路人甲,电商平台用AI批量生成产品背景,影视团队用…...
如何用智能激活脚本告别Windows和Office许可证烦恼?
如何用智能激活脚本告别Windows和Office许可证烦恼? 【免费下载链接】KMS_VL_ALL_AIO Smart Activation Script 项目地址: https://gitcode.com/gh_mirrors/km/KMS_VL_ALL_AIO 你是否曾在重要时刻被Windows或Office的激活提醒打断工作?KMS_VL_ALL…...
为什么大多数AI讲解工具读不对数学公式?
最近在做PPT讲解视频时,我发现一个很普遍的问题:👉 AI可以把一段文字讲得很流畅,但一遇到数学公式,就开始“翻车”。比如:被读成 “E 等于 m c 二” 被读成 “int f x d x” 被读成 “x 二加 y 二等于 z 二…...
从一次真实的炸板经历说起:隔离变压器、差分探头、拔地线,开关电源调试三件套到底怎么选?
开关电源调试安全指南:隔离变压器、差分探头与地线处理的工程决策 实验室里弥漫着焦糊味的那一刻,我才真正理解电源调试中的安全细节有多重要。那次为了赶进度跳过了标准操作流程,结果不仅损失了价值上万的开关电源模块,还差点危及…...
AIAgent行为一致性验证难?揭秘动态意图建模+沙箱回放双引擎测试法(附开源工具链)
第一章:AIAgent架构自动化测试方案 2026奇点智能技术大会(https://ml-summit.org) AIAgent系统具有动态任务编排、多工具协同调用、上下文感知推理等复杂特性,传统基于断言的接口测试难以覆盖其行为一致性与决策鲁棒性。本方案聚焦于构建端到端可验证的…...
基于深度学习opencv+YOLOv5的密封钉缺陷焊缝检测 U-Net模型密封钉缺陷焊缝检测
文章目录一、项目背景与目标二、算法与技术三、系统架构与实现该项目为 密封钉缺陷检测系统,利用YOLOv5和U-Net模型相结合,旨在实现对焊道缺陷的高效检测。系统通过将任务分解为焊道分割和焊道发黑检测两个主要部分,结合多线程技术执行YOLOv5…...
