Docker安装运行apache2服务器做图片服务器的方法

 1.安装

docker pull httpd 

2.创建文件夹

mkdir -p /usr/docker_data/statics / /usr/docker_data/httpd/logs/ /usr/docker_data/httpd/conf/ 

解释:statics文件夹映射图片文件存放路径  logs映射日志文件路径  conf映射配置文件路径

3.试运行httpd

docker run -it --name test-httpd httpd bash

4.进入conf文件夹把httpd.conf文件拷贝到/usr/docker_data/httpd/conf/

5.修改httpd.conf

将Options Indexes FollowSymLinks替换为Options FollowSymLinks

目的是为了设置不能访问路径信息,只能通过文件名访问

6.停止并删除刚刚测试的容器test-httpd

7.正式运行httpd

docker run --restart=always --privileged=true --name httpd -p 98:80 -v /usr/docker_data/statics/:/usr/local/apache2/htdocs/ -v /usr/docker_data/httpd/conf/httpd.conf:/usr/local/apache2/conf/httpd.conf -v /usr/docker_data/httpd/logs/:/usr/local/apache2/logs/ -v /etc/localtime:/etc/localtime:ro -d httpd 

8.外部通过http:IP:98/图片文件路径访问图片

以上所述是小编给大家介绍的Docker安装运行apache2服务器做图片服务器的方法,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对我们网站的支持!

(0)

相关推荐

  • 详解使用Dockerfile创建带Apache服务的CentOS Docker镜像

    使用Dockerfile创建带Apache服务的CentOS Docker镜像 在宿主机上准备的文件清单: Dockerfile #启动ssh和apache服务的角本 run.sh 以上文件都放到/root/apache_centos目录下 mkdir -p /root/apache_centos cd /root/apache_centos 基础镜像:以镜像centos为基础的开放SSH服务的镜像 [root@localhost apache_centos]# docker images RE

  • Docker安装运行apache2服务器做图片服务器的方法

     1.安装 docker pull httpd 2.创建文件夹 mkdir -p /usr/docker_data/statics / /usr/docker_data/httpd/logs/ /usr/docker_data/httpd/conf/ 解释:statics文件夹映射图片文件存放路径  logs映射日志文件路径  conf映射配置文件路径 3.试运行httpd docker run -it --name test-httpd httpd bash 4.进入conf文件夹把httpd

  • Docker安装运行SRS的过程记录

    目录 简介 一.window10安装Docker 二.Docker安装centos7 简介 SRS 简介 SRS定位是运营级的互联网直播服务器集群,追求更好的概念完整性和最简单实现的代码.SRS提供了丰富的接入方案将RTMP流接入SRS, 包括推送RTMP到SRS.推送RTSP/UDP/FLV到SRS.拉取流到SRS. SRS还支持将接入的RTMP流进行各种变换,譬如将RTMP流转码.流截图. 转发给其他服务器.转封装成HTTP-FLV流.转封装成HLS. 转封装成HDS.转封装成DASH.录制

  • docker安装Elasticsearch7.6集群并设置密码的方法步骤

    目录 一些基础配置 关于版本和docker镜像 开始 关于elasticsearch.yml 关于证书elastic-certificates.p12 生成密码 使用密码 忘记密码 Elasticsearch从6.8开始, 允许免费用户使用X-Pack的安全功能, 以前安装es都是裸奔.接下来记录配置安全认证的方法. 为了简化物理安装过程,我们将使用docker安装我们的服务. 一些基础配置 es需要修改linux的一些参数. 设置vm.max_map_count=262144 sudo vim

  • 使用Node.js在深度学习中做图片预处理的方法

    背景 最近在做一个和对象识别相关的项目,由于团队内技术栈偏向 JavaScript,在已经用 Python 和 Tensorflow 搭建好了对象识别服务器后,为了不再增加团队成员维护成本,所以尽可能将训练和识别之外的任务交给 Node.js 来做,今天要讲到的图片预处理就是其中之一. 这里对还不了解深度学习的人就几个概念做个简单的解释 对象识别:对象识别可理解为计算机在一张图片中发现某个或某些指定的物体,比如找到里面所有的狗. 训练:计算机学会对象识别这个本领就像人类学会说话一样,需要不断地练

  • Docker安装ElasticSearch和Kibana的问题及处理方法

    目录 1. 安装docker 2. 拉取elasticsearch镜像 3. 启动elasticsearch 3.1 目录结构 4. 验证elasticsearch是否启动成功 5. 插件安装 5.1 安装IK分词器 5.2 分词器使用验证 6. kibana安装 6.1 docker安装kibana 6.2 启动kibana 7.elasticsearch-head安装 8.常见问题处理 注意:本方案没有进行数据持久化,切勿用于生产环境 1. 安装docker docker安装可参考此Dock

  • Docker安装及阿里云镜像加速器的配置方法

    Docker安装 Windows系统安装就不用说了,因为Docker是开源的,所以,直接去官网:https://www.docker.com/下载安装包安装就行了 其实,Linux系统安装也很简单,照着官网给的命令一通写下来,就安装成功了,然后启动服务,就可以使用了,比如:我的系统是CentOS7,它的安装如下: 首先来到CentOS安装Docker的官网说明文档:https://docs.docker.com/engine/install/centos/ 我原来没安装过其他版本的Docker,

  • 查看docker中运行的JVM参数问题及解决方法

    方法一.jcmd命令: 1.jps获取java的线程id 2.jcmd pidVM.flags获取 51152:-XX:CICompilerCount=3 -XX:InitialHeapSize=526385152 -XX:MaxHeapSize=1073741824 -XX:MaxNewSize=357564416 -XX:MinHeapDeltaBytes=524288 -XX:NewSize=175112192 -XX:OldSize=351272960 -XX:+UseCompresse

  • 配置ab来为Nginx服务器做压力测试的方法

    在运维工作中,压力测试是一项非常重要的工作.比如在一个网站上线之前,能承受多大访问量.在大访问量情况下性能怎样,这些数据指标好坏将会直接影响用户体验. 但是,在压力测试中存在一个共性,那就是压力测试的结果与实际负载结果不会完全相同,就算压力测试工作做的再好,也不能保证100%和线上性能指标相同.面对这些问题,我们只能尽量去想方设法去模拟.所以,压力测试非常有必要,有了这些数据,我们就能对自己做维护的平台做到心中有数. 目前较为常见的网站压力测试工具有webbench.ab(apache benc

  • docker安装nginx并配置通过https访问的方法

    1. 下载最新的nginx的docker image $ docker pull nginx:latest 2. 启动nginx容器 运行如下命令来启动nginx container docker run --detach \ --name wx-nginx \ -p 443:443\ -p 80:80 \ -v /home/evan/workspace/wxserver/nginx/data:/usr/share/nginx/html:rw\ -v /home/evan/workspace/w

  • linux下FastDFS搭建图片服务器

    目录 服务器规划 一.安装系统组件 二.安装fastdfs 三.配置图片服务器文件 总结 服务器规划 服务器名称 IP地址和端口 备注 fastdfs-tracker *:22122 跟踪服务器/调度服务器 fastdfs-storage *:23000 存储服务器 一.安装系统组件 yum install gcc -y 二.安装fastdfs 1.创建图片服务器存储目录 mkdir -p /data/image 2.下载FastDFS依赖包libfastcommon并安装 wget https

随机推荐