当前位置：首页 > news >正文

Docker+Flask 实战：打造高并发微服务架构

news 来源：原创 2025/8/16 11:46:43

Docker+Flask 实战：打造高并发微服务架构

今天我们要深入探讨一个非常热门且实用的主题：基于 Docker 部署 Python Flask 应用。Docker 作为当下最流行的容器化技术，已经广泛应用于各种开发和部署场景，尤其是在微服务架构中。而 Flask 作为 Python 世界里轻量级的 Web 框架，同样备受开发者青睐。将二者结合，能极大地提高我们应用的部署效率和可移植性。接下来，我们就一起通过一个完整的实例来学习如何实现这个过程。

测试虚拟机环境介绍

在开始之前，先给大家介绍一下我们使用的测试虚拟机环境。我们使用的是 VMware，配置为 4G 内存和 2 核心。这样的配置对于我们今天的演示来说是足够的，当然在实际生产环境中，你可能需要根据具体的应用需求来调整硬件资源。

Docker + Flask 部署实例

1. 项目代码

首先，我们来看一下 Flask 应用的代码，它在 app.py 文件中。

from flask import Flask
app = Flask(__name__)@app.route('/')
def hello():return "Hello Docker World!"if __name__ == '__main__':app.run(host='0.0.0.0', port=5000)

这段代码非常简单，我们导入了 Flask 框架，创建了一个 Flask 应用实例，然后定义了一个路由 /，当访问这个路由时，会返回一个简单的字符串。最后，我们通过 app.run 方法启动了这个应用，并将其监听在 0.0.0.0:5000 上，这样容器内的服务就能监听所有网络接口，而不仅仅是本地环回地址。

2. Dockerfile 配置

接下来，我们要在项目根目录创建一个 Dockerfile。

# 使用轻量级 Python 基础镜像
FROM python:3.11-slim# 设置工作目录
WORKDIR /app# 代码到容器
COPY . .# 安装依赖（使用国内镜像加速）
RUN pip install --no-cache-dir -r requirements.txt# 暴露端口
EXPOSE 5000# 启动命令
CMD ["python", "app.py"]

这里面有几个关键的指令需要大家注意。首先是 FROM python:3.10-slim，我们使用的是官方的轻量级 Python 镜像，它的体积只有约 127MB，相比 centos 镜像更加高效，这对于我们构建和部署镜像来说可以节省很多时间和存储空间。然后是 --no-cache-dir 这个参数，它的作用是避免缓存依赖，确保每次构建时都能安装最新版本的依赖。EXPOSE 5000 声明了容器暴露的端口，不过需要注意的是，这只是一个声明，实际运行容器时还需要结合 -p 参数将容器端口映射到宿主机上。最后，CMD 指令定义了容器启动时要执行的命令。

3. 依赖管理

我们还需要创建一个 requirements.txt 文件，用来列出所有的依赖。

Flask==3.0.0

明确指定依赖的版本号是非常重要的，这样可以避免依赖冲突。建议大家在本地使用虚拟环境进行测试，确保所有依赖都能正常工作后，再进行打包。

4. 构建镜像

在项目目录下执行以下命令来构建镜像：

docker build --no-cache -t my-flask-app .

这里的 --no-cache 参数是强制重新构建镜像，避免缓存导致依赖未更新。

5. 运行容器

构建好镜像后，我们就可以启动容器并映射端口了。

docker run -d --name flask-container -p 8080:5000 my-flask-app

-d 参数表示后台运行容器，-p 8080:5000 是将宿主机的 8080 端口映射到容器的 5000 端口，--name 则是为容器指定一个名称，方便我们后续管理。

6. 测试访问

我们可以通过浏览器或终端来访问我们的应用：

curl http://localhost:8080
# 或
http://127.0.0.1:8080

如果一切正常，你应该能看到 Hello Docker World! 这个输出。

7. 调试与维护

在实际开发过程中，调试和维护是非常重要的。我们可以通过以下命令来查看容器的日志：

docker logs flask-container

如果需要进入容器的终端进行一些操作，可以使用：

docker exec -it flask-container /bin/bash

当我们修改了 app.py 中的代码后，需要重新执行 docker build 和 docker run 命令，或者使用 docker-compose 来简化这个流程。

完整高级优化实例

文件结构

下面我们来看一个更高级的优化实例，首先看一下文件结构：

.
├── docker-compose.yml      # 编排配置
├── Dockerfile              # 多阶段构建
├── app
│   ├── app.py             # Flask 主程序
│   └── requirements.txt   # 精确依赖
└── nginx└── nginx.conf         # 反向代理配置

Dockerfile（含多阶段构建）

# 构建阶段
FROM python:3.11-slim-bullseye AS builder
WORKDIR /build
COPY app/requirements.txt .
RUN pip install --user --no-cache-dir -r requirements.txt# 运行阶段
FROM python:3.11-slim-bullseye
WORKDIR /app# 安全配置
RUN adduser --disabled-password --gecos '' appuser && chown -R appuser:appuser /app
USER appuser# 依赖安装
# 这里要注意的是 /root/.local 不要写成 /home/appuser/.local，因为你的系统内没有这个目录
# 我是在 root 用户下执行的操作，所以是/root/.local
COPY --from=builder /root/.local /home/appuser/.local  
ENV PATH=/home/appuser/.local/bin:$PATH# 应用代码
COPY app .# 健康检查
HEALTHCHECK --interval=30s --timeout=5s CMD curl -f http://localhost:5000/health || exit 1
# 启动命令
CMD ["gunicorn", "--bind", "0.0.0.0:5000", "--workers", "9", "--worker-class", "gevent", "app:app"]

这里使用了多阶段构建的方式，在构建阶段我们只安装依赖，然后在运行阶段将依赖复制过来，并使用非 root 用户运行应用，提高了容器的安全性。同时，我们还添加了健康检查，确保容器内的服务正常运行。启动命令使用了 gunicorn 作为 WSGI 服务器，并使用 gevent 作为工作类，提高了应用的并发性能。

app/app.py（含监控端点）

from flask import Flask
from prometheus_client import generate_latest, Counterapp = Flask(__name__)
REQUEST_COUNTER = Counter('http_requests_total', 'Total HTTP Requests')@app.route('/')
def hello():REQUEST_COUNTER.inc()return "Hello Production Docker World!"@app.route('/health')
def health():return "OK", 200@app.route('/metrics')
def metrics():return generate_latest()

在这个 app.py 中，我们添加了一些监控端点。/health 端点用于健康检查，/metrics 端点用于提供 Prometheus 监控数据，这样我们就能更好地监控应用的运行状态。

app/requirements.txt（精确版本控制）

Flask==3.0.0
gunicorn==21.2.0
gevent==23.9.1
prometheus-client==0.20.0

精确控制依赖的版本号可以避免因依赖版本不一致而导致的问题。

docker-compose.yml（生产编排）

version: '3.11'services:web:build: .ports:- "5000:5000"deploy:resources:limits:cpus: '2.0'memory: 1GBlogging:driver: "json-file"options:max-size: "100m"nginx:image: nginx:1.25ports:- "80:80"volumes:- ./nginx/nginx.conf:/etc/nginx/nginx.confdepends_on:- web

docker-compose.yml 是用于生产编排的，我们可以通过它来定义多个服务，并进行资源管控和日志配置。这里我们定义了 web 和 nginx 两个服务，web 服务构建我们的 Flask 应用，nginx 服务作为反向代理，将请求转发到 web 服务上。

nginx/nginx.conf（反向代理配置）

worker_processes auto;events {worker_connections 1024;
}http {upstream flask {server web:5000;}server {listen 80;location / {proxy_pass http://flask;proxy_set_header Host $host;proxy_set_header X-Real-IP $remote_addr;}}
}

这个 nginx.conf 文件配置了反向代理，将所有请求转发到 web 服务的 5000 端口上。

部署流程

# 构建镜像
docker-compose build# 启动集群
docker-compose up -d# 验证部署
curl http://localhost/health

通过这几个简单的命令，我们就可以完成整个应用的部署和验证。

关键优化点说明

最后，我们来看一下这个高级优化实例的关键优化点：

优化方向	实现方案
‌镜像体积‌	多阶段构建（162MB 镜像）
‌并发性能‌	Gunicorn + Gevent（9 workers）
‌安全基线‌	非 root 用户运行 + 文件权限控制
‌可观测性‌	Prometheus 监控端点 + 健康检查
‌资源管控‌	CPU/内存限制 + 日志滚动策略

我们还进行了压力测试，所有参数均通过 wrk -t12 -c400 -d30s http://localhost/ 压力测试验证，QPS 为1125，可能是虚拟机的原因吧。

下面的几个版本的对比：

镜像	组件	镜像大小	QPS
flask-app:v1	Python:3.11 +Flask3.0	138MB	1000.95
flask-app:v2	Python:3.11-alpine +Flask3.0	58.6MB	899.78
flask-nginx-web:v1	Python:3.11-slim-bullseye +Flask3.0+gunicorn21.2.0+ gevent23.9.1+prometheus-client0.20.0	162MB	1125.04
flask-nginx-web:v2	Python:3.11-alpine +Flask3.0+gunicorn21.2.0+ gevent23.9.1+prometheus-client0.20.0	92.7MB	1049.89

alpin镜像确实小，从QPS的角度来看，并不是什么都用alpin镜像就好的。

总结

今天我们学习了如何基于 Docker 部署 Python Flask 应用，从简单的实例到高级优化实例，希望大家能对 Docker 的使用有更深入的理解。在实际开发中，大家可以根据自己的需求进行调整和优化，充分发挥 Docker 的优势。如果大家有任何问题，欢迎随时提问。谢谢大家！