← Production Mastery

🏠 Главная 📚 Все курсы 🎯 RVV proof 📊 Paper proof

Урок 4 — Docker контейнеризация

Урок 4 из 10 · Production Mastery

УРОК 4: Docker и docker-compose для трейдинг-бота

⏱ ~25 минут чтения

📖 Термины, которые мы сегодня освоим

• Docker: Инструмент, который позволяет "упаковывать" вашу программу со всеми её зависимостями в один изолированный пакет. Представьте, что вы отправляете посылку: вы не просто кидаете в машину вещь, а кладёте её в коробку, чтобы она не повредилась и не потерялась. Docker — это и есть сервис по созданию таких "коробок".
• Контейнер (Container): Та самая "коробка" с вашей запущенной программой. В ней есть всё необходимое: код бота, Python, нужные библиотеки (pandas, ccxt). Контейнер работает изолированно от основной системы и других контейнеров.
• Образ (Image): Это чертёж или инструкция для создания контейнера. Как рецепт для торта. В образе записано, из чего состоит наш контейнер (например, "взять Python 3.9, скопировать код, установить библиотеки"). Из одного образа можно создать сколько угодно одинаковых контейнеров.
• Dockerfile: Простой текстовый файл, в котором мы по шагам описываем, как создать наш образ. Это и есть наш "рецепт". Мы пишем его один раз, а Docker по нему строит образ.
• docker-compose: Дирижёр для оркестра из нескольких контейнеров. Если вашему боту для работы нужна база данных (Postgres) и кэш (Redis), то это три разных сервиса. docker-compose позволяет описать их все в одном файле и запустить или остановить одной командой.

❌ До этого урока

Вы вручную устанавливали Python и библиотеки (`pip install -r requirements.txt`) прямо на сервер. Если нужно было запустить второго бота с другой версией библиотеки, начинались проблемы ("dependency hell"). Переезд на новый сервер означал повторение всей настройки с нуля. Масштабирование было сложным и непредсказуемым.

✅ После этого урока

Ваш бот и все его зависимости (база данных, кэш) упакованы в контейнеры. Вы можете запустить весь комплекс на любом сервере, где есть Docker, всего одной командой. Запуск нескольких ботов на одном сервере становится тривиальной задачей, так как они полностью изолированы друг от друга.

---

Story Hook: Боль второго бота

Представьте: ваш первый бот, которого мы настраивали в Уроке 1, уже месяц успешно торгует на Hetzner. Вы, вдохновленный успехом, написали вторую, совершенно новую стратегию. Теперь её нужно запустить. Вы подключаетесь к серверу, копируете код... и тут выясняется, что для новой стратегии нужна библиотека pandas версии 2.0, а старый бот работает на 1.5 и ломается при обновлении. Что делать? Создавать вторую виртуальную машину за 5 евро/месяц? Пытаться настроить сложные виртуальные окружения Python, которые постоянно конфликтуют? А если ботов будет десять? В этот момент ручная настройка превращается из простого решения в ночной кошмар, который мешает главному — зарабатывать деньги, а не администрировать серверы.

Часть 1: Что такое Docker на пальцах

Давайте закрепим метафору. Раньше, чтобы запустить бота, вы приходили на "голый" сервер (пустую квартиру) и начинали завозить всё необходимое: Python (кровать), нужные библиотеки (стол, стулья), код вашего бота (телевизор). Если приезжал новый жилец (второй бот) со своей мебелью, начинался хаос и конфликты.

Docker предлагает другой подход.

Образ (Image) — это инструкция по сборке мебели из IKEA. В файле `Dockerfile` вы пишете: "1. Взять за основу комнату с отделкой 'Python 3.9'. 2. Принести инструменты из 'requirements.txt'. 3. Поставить в центр комнаты мой код. 4. Включить телевизор ('main.py')".

Контейнер (Container) — это готовая, собранная комната. Docker берёт вашу инструкцию (образ) и создаёт по ней полностью изолированное пространство. Внутри этой "комнаты" есть всё, что нужно боту, и ничего лишнего. Он не видит, что происходит в "соседних комнатах" (других контейнерах) или в основной "квартире" (сервере). Вы можете создать сколько угодно одинаковых комнат из одной инструкции.

Это решает главные проблемы: "у меня на компьютере работало" и "конфликт зависимостей". Если это работает в контейнере на вашем ноутбуке, это с 99% вероятностью так же заработает в контейнере на сервере Hetzner.

Часть 2: Шаг 1. Установка Docker и docker-compose на ваш Hetzner VPS

Подключитесь к вашему серверу по SSH. Большинство VPS на Hetzner работают на Ubuntu, поэтому команды приводим для него. Это займет 5 минут.

1. Обновим список пакетов и установим всё необходимое:

sudo apt-get update
sudo apt-get install -y apt-transport-https ca-certificates curl gnupg lsb-release

2. Добавим официальный ключ GPG от Docker:

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

3. Добавим репозиторий Docker в список источников:

echo \
"deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu \
$(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

4. Установим сам Docker Engine:

sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io

5. Установим docker-compose:

sudo curl -L "https://github.com/docker/compose/releases/download/1.29.2/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose

6. Проверим, что всё установилось корректно:

docker --version
docker-compose --version

Вы должны увидеть версии установленных программ. Готово! Сервер готов к контейнеризации.

Часть 3: Шаг 2. Простейший Dockerfile для Python-бота

В корневой папке вашего проекта с ботом создайте файл с именем `Dockerfile` (без расширения). Вот его содержимое:

# Используем официальный легковесный образ Python
FROM python:3.9-slim

# Устанавливаем рабочую директорию внутри контейнера
WORKDIR /app

# Копируем файл с зависимостями ВНАЧАЛЕ.
# Это позволяет Docker кэшировать установку и ускорять сборку,
# если зависимости не менялись.
COPY requirements.txt .

# Устанавливаем зависимости
RUN pip install --no-cache-dir -r requirements.txt

# Копируем весь остальной код проекта в рабочую директорию
COPY . .

# Команда, которая будет выполняться при запуске контейнера
CMD ["python", "main.py"]

Разберем каждую строчку:

• FROM python:3.9-slim: Начинаем с готового "фундамента". Это официальный образ от создателей Python, содержащий только самое необходимое для запуска программ на Python 3.9.
• WORKDIR /app: Создаем папку `/app` внутри контейнера и "заходим" в неё. Все последующие команды будут выполняться из этой папки.
• COPY requirements.txt .: Копируем файл `requirements.txt` с вашего компьютера в папку `/app` внутри контейнера.
• RUN pip install ...: Выполняем команду установки библиотек. Флаг `--no-cache-dir` нужен, чтобы не хранить кэш pip и делать образ меньше по размеру.
• COPY . .: Копируем всё остальное из текущей папки проекта (ваш `.py` код и т.д.) в папку `/app` контейнера.
• CMD ["python", "main.py"]: Указываем, какую команду запустить, когда контейнер стартует. В нашем случае — запустить главного бота.

Часть 4: Шаг 3. docker-compose.yml — связываем всё вместе

Теперь самое интересное. Нашему боту часто нужны другие сервисы. Например, Redis для быстрого кэширования цен и Postgres для хранения истории сделок. Вместо того чтобы устанавливать их на сервер вручную, мы опишем их как контейнеры.

Создайте в корне проекта файл `docker-compose.yml`:

version: '3.8'

services:
  bot:
    build: .
    container_name: trading_bot
    restart: always
    depends_on:
      - redis
      - postgres
    env_file:
      - .env

  redis:
    image: redis:6-alpine
    container_name: trading_redis
    restart: always

  postgres:
    image: postgres:13-alpine
    container_name: trading_postgres
    restart: always
    environment:
      POSTGRES_USER: ${POSTGRES_USER}
      POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
      POSTGRES_DB: ${POSTGRES_DB}
    volumes:
      - postgres_data:/var/lib/postgresql/data

volumes:
  postgres_data:

Что здесь происходит:

• services:: Мы описываем наш "оркестр" — набор сервисов.
• bot:: Наш основной сервис.
  • build: .: Говорит docker-compose, что для этого сервиса нужно собрать образ из `Dockerfile` в текущей папке.
  • restart: always: Очень важная строка. Если контейнер упадет (из-за ошибки в коде или на сервере), Docker автоматически его перезапустит.
  • depends_on:: Указывает, что наш бот зависит от `redis` и `postgres`. Docker-compose сперва запустит базы данных, и только потом — нашего бота.
  • env_file: .env: Подгружает переменные окружения (API ключи, пароли) из файла `.env`. Это безопаснее, чем хранить их в коде.
• redis: и postgres:: Наши базы данных.
  • image: redis:6-alpine: Здесь мы не строим образ сами, а берем готовый официальный образ Redis с Docker Hub. Версия `alpine` — самая маленькая.
  • environment:: Передаем переменные окружения прямо в контейнер Postgres для создания пользователя и базы данных.
  • volumes:: Критически важный раздел! Данные внутри контейнера временные. Если удалить контейнер Postgres, все данные пропадут. Эта строка "пробрасывает" папку с данными из контейнера (`/var/lib/postgresql/data`) в специальный раздел на диске сервера (`postgres_data`). Теперь, даже если вы перезапустите или обновите контейнер, ваши данные останутся в целости.

Важный момент: теперь ваш бот должен подключаться к базам данных по их именам сервисов. В коде подключения к Postgres хостом будет `postgres`, а к Redis — `redis`, а не `localhost` или `127.0.0.1`.

Часть 5: Шаг 4. Запуск и управление

Теперь, когда все файлы готовы, скопируйте ваш проект на сервер Hetzner (например, через `git clone`). Зайдите в папку проекта и выполните одну команду:

docker-compose up -d

Всё. Docker-compose прочитает ваш `yml` файл, соберет образ для бота (если это первый запуск), скачает образы для Redis и Postgres и запустит все три контейнера в фоновом режиме (`-d` значит "detached").

Полезные команды:

• Посмотреть статус запущенных контейнеров:

  docker-compose ps

• Посмотреть логи вашего бота в реальном времени:

  docker-compose logs -f bot

  (Нажмите `Ctrl+C` чтобы выйти).
• Остановить и удалить все контейнеры, сети и тома, описанные в файле:

  docker-compose down

Часть 6: Когда Docker НЕ нужен

Docker — это мощный инструмент, но он добавляет дополнительный слой абстракции. Если ваш проект — это один простой скрипт, который вы запускаете раз в неделю, и у вас нет планов по его расширению или переносу, то настройка Docker может быть избыточной. Наш старый добрый `systemd` из Урока 1 отлично справится с этой задачей и будет проще в поддержке для такого простого случая. Всегда выбирайте инструмент под задачу. Docker сияет там, где важны изоляция, переносимость и масштабирование.

---

Cliffhanger: Проблема роста

Отлично, теперь у нас есть надежный способ запускать одного бота со всеми его зависимостями. Но что, если у вас 10 клиентов, и для каждого нужно запустить свою копию бота с разными настройками и API-ключами? Создавать 10 папок и запускать 10 раз `docker-compose up`? Это быстро превратится в хаос. А как убедиться, что один "прожорливый" бот не съест всю память и CPU, оставив других без ресурсов? Как элегантно управлять этим "флотом" ботов?

В Уроке 9 мы разберем архитектуру для управления целым флотом ботов, используя продвинутые возможности Docker и посмотрим на такие инструменты, как Docker Swarm или Portainer.

Дальше → Урок 5: Nginx как reverse proxy + SSL Let's Encrypt

А в следующем уроке мы сделаем наш health-check эндпоинт (или веб-интерфейс для управления ботом) доступным извне через доменное имя, защитив его бесплатным SSL-сертификатом. Это сделает мониторинг и управление ботом еще удобнее и безопаснее.

[tokens: in=666 out=3775 thinking=2700 | cost=$0.0656]