Docker概念详解
文章目录
一、Docker：容器化应用的基石
1.1 环境
1.2 Docker 是什么
1.3 Docker镜像
1.3.1 基础镜像(Base Image)
1.3.2 Dockerfile
1.3.3 容器镜像（Container Image）
1.4 Registry
1.5 容器
1.6 Docker VS 虚
云原生
springboot整合libreoffice（两种方式，使用本地和远程的libreoffice）；docker中同时部署应用和libreoffice
一、 背景因为项目中需要使用word转pdf功能，因为转换速度原因，最后选用了libreoffice，原因及部署请参考 linux ubuntu环境安装libreoffice，word转pdf 远程调用的话可选docker部署，请看2.3.1
二、springboot整合libreoffice其实springboot整合lib
SuperMap GIS基础产品FAQ集锦(20250603)
一、SuperMap iDesktopX
问题1：这种投影坐标如何转换成China_2000的？11.2.0 【解决办法】在数据源属性中，选择坐标系下的投影转换，然后指定转换结果的坐标系为China_2000
问题2：SuperMap iDesktopX 影像导出时，如何设置影像数据的波段索引？1
Docker镜像核心作战手册：镜像命令全解析+离线迁移实战+压缩共享储存，打造无缝跨环境部署！
本篇摘要本文围绕Docker核心操作展开，涵盖镜像本质与分层机制、常用命令（如rmi/save/load/prune等）详解、BusyBox实战演练、离线迁移方法及镜像压缩共享存储原理。
欢迎拜访： 点击进入博主主页 本篇主题： Docker之镜像命令全解析+离线迁移实战+压缩共享储存全方位解析 制作
k8s | Kubernetes 服务暴露：NodePort、Ingress 与 YAML 配置详解
CodingTechWork
引言 在 Kubernetes 集群中，服务暴露是将集群内部的服务对外部网络提供访问的关键环节。NodePort 和 Ingress 是两种常用的服务暴露方式，它们各有特点和适用场景。本文将详细介绍这两种方式的原理、配置方法以及如何通过 YAML 文件实现服务的正确暴露。
NodePort 服务暴露
NodePort 原理 Node
[已解决]failed to resolve source metadata for docker.io/library/node:16: failed to do request: Head
ERROR: failed to solve: DeadlineExceeded: DeadlineExceeded: DeadlineExceeded: node:16: failed to resolve source metadata for docker.io/library/node:16: failed to do request: Head "
飞牛Docker拉取不到镜像，甚至没办法搜索？按照这个教程来
前言最近有小伙伴反映说Docker无法下载镜像，甚至有时候都没办法搜索！这对于想要玩docker的小伙伴来说可就是一大难题了！难受……于是经过小白这段时间的测试，还有通过一些粉丝的飞牛进行测试之后，小白发现docker下载不到镜像的原因也就两个方面：
DNS问题
Docker镜像源问题
基于这两个问题，小白建议可以先更改镜像源，每个都先尝试一下，如果还不行就改DNS，再重新测试一
《 传输层协议精解：TCP的三次握手与UDP的无连接特性全解析》
前引：当你在手机上刷着高清直播，画面流畅无延迟；转头用办公软件传一份重要报告，即便网络波动也能确保文件完整——这两种截然不同的网络体验，背后藏着传输层两大核心协议的“功劳”：TCP与UDP。前者像严谨的“快递员”，全程跟踪、确认签收，绝不丢失包裹；后者则是高效的“急行
【2025深度学习环境搭建-1】在Win11上用WSL2和Docker解锁GPU加速
建议有：
较新的win11电脑，GPU是nvidia
一点点Linux基础
一点点Docker基础
一、安装WSL2【控制面板】=》【程序】=》【启用或关闭Windows功能】打开三个功能：【Hyper-V】【Virtual Machine Platform】【适用于Linux的Windows子系统】可能看不到Hyper-V，
RAGFlow本地docker compose部署
RAGFlow 是什么？RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
