[GitOps] 白嫖神器Github Actions，構建、推送Docker映象一路暢通無阻

黯影行者發表於2023-11-24
GithubDocker

DimTechStudio.Com

[GitOps] 白嫖神器Github Actions，構建、推送Docker映象一路暢通無阻

引言

  當你沒找到合適的基礎的Docker映象時，是否會一時衝動，想去自己構建。然而因為網路問題，各種軟體官方源、映象源（包括但不限於apt、pip、maven，npm），不但編譯奇慢無比，還時常出錯白白浪費幾十個G的網路流量；硬體問題，愛用Windows但裝WSL開了Hyper-V玩不了模擬器，用虛擬機器又覺得麻煩佔磁碟空間，還沒錢續期雲伺服器……
  我的朋友，如果你還在為以上種種問題而苦惱，那麼我很榮幸為你推薦Nuget GitOps，Github Actions!
  GitOps，作為一種現代化的運維理念，強調透過版本控制系統來管理基礎設施和應用配置，提高可維護性和可靠性。在這個背景下，Github Actions作為一項強大的CI/CD工具，為我們提供了優雅的解決方案。本文將深入探討如何充分利用Github Actions服務，白嫖其強大的構建能力，實現Docker映象的自動構建與推送，確保網路暢通無阻。
【不得不說同樣是官方源，Nuget就極少像前面幾個源出問題，.net yyds！】

Github Actions簡介

  Github Actions是Github提供的一項持續整合和持續交付服務，與倉庫無縫整合，可透過簡單的YAML配置檔案定義工作流程。這使得我們能夠輕鬆地在程式碼倉庫中管理和執行CI/CD任務，提高開發和部署的效率。藉助Github Actions，我們可以構建、測試和部署專案，將整個開發週期變得更加流暢。
  GitHub可以提供 Linux、Windows 和 macOS 虛擬機器來執行你的工作流程，在使用Github Actions之前，你需要了解以下前置知識:

  • Yaml基礎語法
  • Linux（或Windows或macOS）指令碼相關知識
  • Git及Github的相關知識

什麼是Yaml

  當建立Github Actions時，會在程式碼庫.github/workflows目錄下，建立一個.yml 檔案，每個yml對應一個工作流。
  YAML（YAML Ain't Markup Language或YAML是一個人類可讀的資料序列化格式）是一種簡潔且易讀的資料標記語言。它常被用於配置檔案和資料交換格式，以人類可讀的方式表示資料結構，有以下幾個特點:

  • 大小寫敏感。
  • 使用縮排表示層級關係。
  • 縮排只能使用空格，不能用 TAB 字元。
  • 縮排的空格數量不重要，只要層級相同的元素左對齊即可。

  • 表示註釋。

Github Actions的Yaml結構

  • name：workflow名稱
  • on：觸發器
  • env：自定義的環境變數
  • job：一個workflow可以有多個job，每個job包含多個step
  • runs-on：任務容器，如ubuntu-latest，windows-latest，macos-latest
  • step：任務步驟
  • action：每個步驟可以執行多個命令

Github Actions的使用限制

  Github Actions可以免費使用，也可以付費使用，其中免費使用者有以下限制：

  • 使用時長
    可以每月使用2000分鐘，儲存500MB（應該是指倉庫大小），其中不同容器時間係數是不同的，Linux是1，Windows是2（1000分鐘），MacOS是10（200分鐘）；
  • 併發作業數20
  • 作業執行時間最長6小時
  • 工作流執行時間每次工作流執行時間限制為 35 天
    （筆者沒看懂這專案）

  更詳細內容可以在官網中找到usage-limits-billing-and-administration

Docker映象的構建

  在Github Actions中配置Docker映象構建的過程非常簡單。透過定義workflow，我們可以指定觸發條件、構建步驟和依賴關係。配置一個構建步驟，執行Docker映象的構建，確保在每次程式碼推送時觸發自動構建流程。這種自動化的構建流程不僅提高了效率，還減少了人為出錯的可能性。

新建workflow

  首先開啟你的Github 程式碼庫，點選Actions

  點選New workflow按鈕

  搜尋Docker，會有很多workflow模板，其中Docker Image是非常簡潔的模板，適合筆者我這種簡約主義者，以下將使用它作為教程示例。
順帶一提，隔壁那個模板很複雜……英文好的人可以研究研究
  點選Configure，進入編寫yml，編寫任務

  官方預設模板內容如下，功能是當push或者pull master分支時，觸發構建流程

name: Docker Image CI
on:
  push:
    branches: [ "master" ]
  pull_request:
    branches: [ "master" ]
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - uses: actions/checkout@v3
    - name: Build the Docker image
      run: docker build . --file Dockerfile --tag my-image-name:$(date +%s)

  而run標籤，就是linux下的shell指令碼，既然是shell，那麼就可以做很多事情了。
  比如說你原本已有一套構建指令碼(build.sh)，那麼可能稍作修改，就能用著Github Actions中，run改為sh build.sh即可。
  yml可以線上編輯，也可以儲存後pull到原生程式碼庫。

示例程式碼庫

  回到前言所說的內容，筆者痛點是希望找一個人工智慧的執行環境映象，但沒有整合的，人工智慧的映象一般又很大，各環境單獨一個映象下載慢又佔空間，在whl包不衝突的情況下，裝在一起能省很多控制元件，於是乎就誕生了本專案：Wlkr.DockerBuild
注意，本專案目的是編譯基礎環境的映象，沒有什麼程式碼，可能常見的專案開發有所出入，請自行甄選。

  觀察Wlkr.AiRuntime專案，會見到有多個 Dockfile，此舉是為了避免編譯失敗，導致漫長的構建過程又要重新編譯。
  比如Ubuntu映象預設沒有python，除了python還有其他一些深度學習所需的基礎元件也沒有，當你編譯透過python後，安裝pytorch報錯缺失元件，規劃不好又要從python那個步驟開發編譯，非常浪費時間。
  在分而治之的思想指導下， 最終映象構建分為了7個Dockerfile。

觸發器

  修改工作流的yml，改為監聽這7個Dockerfile和一個python檔案

name: Docker Image CI
on:
  push:
    # 監聽的分支
    branches:
      - master
    # 監聽的檔案
    paths:
      - 'Wlkr.AiRuntime/Dockerfile*'
      - 'Wlkr.AiRuntime/model_init.py'

  如果你在自己的linux伺服器下編譯過docker映象，Dockerfile中編譯成功的步驟會有一個快取layer，減少編譯的所需時間。
  但是在Github Actions中，每次執行工作流，均沒有快取。
同時筆者所編譯的映象是環環相扣的，上一層映象有改動時，下層的所有映象也應該重新編譯。

最佳化構建流程

  有沒有最佳化的可能？答案是有的！
  先定義7個flag變數

env:
  flag_python: 0
  flag_pytorch: 0
  flag_modelscope: 0
  flag_modelscope_cv: 0
  flag_mscv_pd: 0
  flag_mscv_pdocr: 0
  flag_mscv_pdocr_mdl: 0
  flag_done: 0

  修改拉取程式碼的action，預設會帶上引數--dept=1，無法滿足後續的操作

jobs:
  build:
    runs-on: ubuntu-latest

    steps:
    - name: Checkout Code
      uses: actions/checkout@v3
      with:
        fetch-depth: 2 #加上這個引數

  在上面監聽檔案中，我們監聽了所有Dockerfile，顯然沒有變動的Dockerfile，是不需要重新編譯重新構建的。
  那麼怎麼知道哪些檔案有變動，哪個映象需要重新編譯？答案就是commit後產生的sha id。

  利用git diff命令，檢查上一次commit與本次commit的檔案是否不同，如果不容，則修改flag，標記為需要編譯。

    - name: Check Modify
      run: |
        echo "previous_sha=${{ github.event.before }}"

        cd Wlkr.AiRuntime
        # python
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.python)" ]; then
          echo "flag_python=1" >> $GITHUB_ENV
        fi
        # 其他flag省略

  在構建的action中，加上新增if: env.flag_python == 1，來確定是否要執行編譯，如果要則將下一步驟的flag也改為1。

    - name: Build python
      if: env.flag_python == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.python -t dimwalker/wlkr.python .
        echo "flag_pytorch=1" >> $GITHUB_ENV

  至此，編譯的最佳化已完成。
  需要注意，每個action都是獨立的，也就是說工作目錄cd Wlkr.AiRuntime要在每個step中先執行一次。

Docker映象的推送

  Docker Hub作為一個廣泛使用的Docker映象倉庫，為開發者提供了便捷的映象儲存和分享平臺。透過Github Actions，我們可以配置自動將構建好的Docker映象推送到Docker Hub。這一步驟使得我們的應用在構建完成後，能夠迅速被部署和共享，為團隊協作和持續整合提供了更多可能性。
  在構建和推送Docker映象的過程中，網路通訊可能會成為一個潛在的問題。為了確保暢通無阻，我們可以採取一系列措施，如配置合適的網路代理、最佳化映象構建步驟、以及合理選擇構建和推送的時機。這些措施將有助於提高構建成功率，確保整個流程的順暢進行。
  但在大區域網中，依然寸步難行。而你只需將構建步驟移到Github Actions中，一切問題都能迎刃而解，真香！

有一點需要注入，雖然Github和Docker Hub很香，但是Docker Hub的映象時開源的！有商用、涉密等使用要求的人，請謹慎使用。

登入Docker Hub

  現在先回到Github Actions的workflow編輯頁面，它的右邊也是有很多action模板的！

  把Docker login的程式碼複製進你的workflow yml中，放在steps靠前的位置

  保留示例中的三個引數即可
  其中在env節點加上變臉REGISTRY，留空是將映象推送到docker hub中，如果是其他庫則填相應的地址

    - name: Docker Login
      uses: docker/login-action@v3.0.0
      with:
        registry: ${{ env.REGISTRY }}
        username: ${{ secrets.DOCKERACC }}
        password: ${{ secrets.DOCKERPWD }}

DOCKERACC和DOCKERPWD則需要在程式碼庫中的settings裡設定。
  按照docker官網說法，這的PWD也可以是你設定的一個token，多人協作就不怕密碼洩露的風險

推送Docker映象

  很簡單，稍微修改構建的步驟，增加依據push命令即可

    - name: Build & Push python
      if: env.flag_python == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.python -t dimwalker/wlkr.python .
        docker push dimwalker/wlkr.python:latest
        echo "flag_pytorch=1" >> $GITHUB_ENV

完整的yml

  你沒猜錯，這段就是用來水字數的。

name: Docker Image CI

on:
  push:
    # 監聽的分支
    branches:
      - master
    # 監聽的檔案
    paths:
      - 'Wlkr.AiRuntime/Dockerfile*'
      - 'Wlkr.AiRuntime/model_init.py'
env:
  # Use docker.io for Docker Hub if empty
  REGISTRY: ''
  flag_python: 0
  flag_pytorch: 0
  flag_modelscope: 0
  flag_modelscope_cv: 0
  flag_mscv_pd: 0
  flag_mscv_pdocr: 0
  flag_mscv_pdocr_mdl: 0
  flag_done: 0

jobs:
  build:
    runs-on: ubuntu-latest

    steps:
    - name: Checkout Code
      uses: actions/checkout@v3
      with:
        fetch-depth: 2

    - name: Docker Login
      uses: docker/login-action@v3.0.0
      with:
        registry: ${{ env.REGISTRY }}
        username: ${{ secrets.DOCKERACC }}
        password: ${{ secrets.DOCKERPWD }}

    - name: Check Modify
      run: |
        echo "previous_sha=${{ github.event.before }}"

        cd Wlkr.AiRuntime
        # python
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.python)" ]; then
          echo "flag_python=1" >> $GITHUB_ENV
        fi
        # pytorch
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.pytorch)" ]; then
          echo "flag_pytorch=1" >> $GITHUB_ENV
        fi
        # modelscope
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.modelscope)" ]; then
          echo "flag_modelscope=1" >> $GITHUB_ENV
        fi
        #
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.modelscope_cv)" ]; then
          echo "flag_modelscope_cv=1" >> $GITHUB_ENV
        fi
        # mscv_pd
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.mscv_pd)" ]; then
          echo "flag_mscv_pd=1" >> $GITHUB_ENV
        fi
        # mscv_pdocr
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.mscv_pdocr)" ]; then
          echo "flag_mscv_pdocr=1" >> $GITHUB_ENV
        fi
        # mscv_pdocr_mdl
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- Dockerfile.mscv_pdocr_mdl)" ]; then
          echo "flag_mscv_pdocr_mdl=1" >> $GITHUB_ENV
        fi
        if [ -n "$(git diff --name-only ${{ github.event.before }} HEAD -- model_init.py)" ]; then
          echo "flag_mscv_pdocr_mdl=1" >> $GITHUB_ENV
        fi

    - name: Print Env
      run: |
        echo "flag_python: ${{ env.flag_python }}"
        echo "flag_pytorch: ${{ env.flag_pytorch }}"
        echo "flag_modelscope: ${{ env.flag_modelscope }}"
        echo "flag_modelscope_cv: ${{ env.flag_modelscope_cv }}"
        echo "flag_mscv_pd: ${{ env.flag_mscv_pd }}"
        echo "flag_mscv_pdocr: ${{ env.flag_mscv_pdocr }}"
        echo "flag_mscv_pdocr_mdl: ${{ env.flag_mscv_pdocr_mdl }}"

    - name: Build & Push python
      if: env.flag_python == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.python -t dimwalker/wlkr.python .
        docker push dimwalker/wlkr.python:latest
        echo "flag_pytorch=1" >> $GITHUB_ENV

    - name: Build & Push pytorch
      if: env.flag_pytorch == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.pytorch -t dimwalker/wlkr.pytorch .
        docker push dimwalker/wlkr.pytorch:latest
        echo "flag_modelscope=1" >> $GITHUB_ENV

    - name: Build & Push modelscope
      if: env.flag_modelscope == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.modelscope -t dimwalker/wlkr.modelscope .
        docker push dimwalker/wlkr.modelscope:latest
        echo "flag_modelscope_cv=1" >> $GITHUB_ENV

    - name: Build & Push modelscope_cv
      if: env.flag_modelscope_cv == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.modelscope_cv -t dimwalker/wlkr.modelscope_cv .
        docker push dimwalker/wlkr.modelscope_cv:latest
        echo "flag_mscv_pd=1" >> $GITHUB_ENV

    - name: Build & Push mscv_pd
      if: env.flag_mscv_pd == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.mscv_pd -t dimwalker/wlkr.mscv_pd .
        docker push dimwalker/wlkr.mscv_pd:latest
        echo "flag_mscv_pdocr=1" >> $GITHUB_ENV

    - name: Build & Push mscv_pdocr
      if: env.flag_mscv_pdocr == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.mscv_pdocr -t dimwalker/wlkr.mscv_pdocr .
        docker push dimwalker/wlkr.mscv_pdocr:latest
        echo "flag_mscv_pdocr_mdl=1" >> $GITHUB_ENV

    - name: Build & Push mscv_pdocr_mdl
      if: env.flag_mscv_pdocr_mdl == 1
      run: |
        cd Wlkr.AiRuntime
        # 基礎
        docker build -f Dockerfile.mscv_pdocr_mdl -t dimwalker/wlkr.mscv_pdocr_mdl .
        docker push dimwalker/wlkr.mscv_pdocr_mdl:latest
        echo "flag_done=1" >> $GITHUB_ENV

    - name: Print Env End
      run: |
        echo "flag_python: ${{ env.flag_python }}"
        echo "flag_pytorch: ${{ env.flag_pytorch }}"
        echo "flag_modelscope: ${{ env.flag_modelscope }}"
        echo "flag_modelscope_cv: ${{ env.flag_modelscope_cv }}"
        echo "flag_mscv_pd: ${{ env.flag_mscv_pd }}"
        echo "flag_mscv_pdocr: ${{ env.flag_mscv_pdocr }}"
        echo "flag_mscv_pdocr_mdl: ${{ env.flag_mscv_pdocr_mdl }}"
        echo "flag_done: ${{ env.flag_done }}"

  Well Done！

總結

  在本文中，我們深入探討了如何充分發揮 GitHub Actions 在 GitOps 中的作用，特別是在構建和推送 Docker 映象方面。透過 GitHub Actions，開發者能夠充分利用雲端資源，輕鬆實現 CI/CD 流程。
  透過配置 GitHub Actions 的工作流程，我們可以確保構建和推送 Docker 映象的流程暢通無阻。這不僅提高了開發團隊的效率，還降低了出錯的可能性，使整個開發過程更加可靠和可預測。
  總的來說，GitHub Actions作為一個整合於GitHub平臺的CI/CD工具，為開發者提供了強大而靈活的工具，支援他們構建出高質量的軟體。尤其是對於 Docker 映象的構建和推送，GitHub Actions 提供了簡單易用的方式，使開發者能夠專注於程式碼本身而不必過多關心底層的部署細節。
  除了Github Actions，筆者以往還使用過Webhooks+Jenkins的方式，在自己的雲端伺服器編譯映象。未來，我們可以期待 GitOps 在持續整合、持續部署領域的進一步演進。隨著雲原生技術的不斷髮展，這些工具將更加貼近開發者的需求，提供更多創新的功能，幫助開發團隊更好地應對快速變化的軟體交付需求。

相關文章