امیر - هیوادار

شیء گرایی چیه Object Oriented Programming

برنامه نویسی شیء گرا یا OOP چیه؟ Object Oriented Programming

توی مصاحه از OOP و خصوصیاتش سوال زیاد میشه. از طرفی لازمه که یه برنامه نویس این رو بدونه. میشه گفت:

به ترکیت دیتا و توابع با هم میگیم OOP. این تعریف خیلی ناقصه. از طرفی به زبان ساده تر میشه گفت “یک روش برنامه نویسی که بشه باهاش دنیای واقعی رو مدل کرد” این هم باز کلیه و اگه بخایم بیشتر توضیح بدیم:

سه تا تکنیک توی برنامه نویسی وجود داره:

Encapsulation یا کپسوله کردن یا بسته بندی کردن

Inheritance یا ازثبری

Polymorphism یا چند شکلی

این 3 تکنیک برنامه نویسی رو اگر در برنامه های خودمون رعایت کنیم، میگیم داریم با تکنیک OOP کد میزنیم. و توی زبانهای OOP مثل Java C# Python و … این تکنیک ها رعایت میشه بخاطر همین بهشون میگیم زبانهای شیء گرا (البته پایتون مجبورتون نمیکنه صد درصد OOP کد بزنید).

آیا این تکنیک ها با پیدایش زبان های OO اومدن؟ خیر خیلی از برنامه نویسان C از قدیم از این تکنیک ها استفاده میکردند اما مجبور نبودند با این تکنیک کد بزنن و چون اینا تکنیک های خوبی بودن بعدا با زبان C++ رسمی شد و بمرور در زبان های مختلف تکامل پیدا کرد و استفاده ازشون آسون تر و بهینه تر شد و حتی اجباری شد.

Encapsulation

فرض کنید که بشه دور دسته ای از داده ها و توابع یک خط کشید و از بیرون این خط به این داده ها نشه دسترسی داشت و فقط خود اون توابع بتونن این داده ها رو تغییر بدن. در واقع داده ها و توابع private باشن و فقط به روش هایی استاندارد بشه بهشون به صورت غیر مستقیم یا بعضی از اونا مستقیم دسترسی داشت. این کار با مفهوم class انجام میشه و به این تکنیک میگن Encapsulation یا کپسوله کردن.

Inheritance

ارثبری ساده است. فرض کنید بخشی از توابع یا داده های یک کلاس رو دوباره از اول تعریف کنیم و بقیه بخش ها رو بدون تغییر کپی کنیم و استفاده کنیم به این میگن ارثبری.

class Animal:
    def __init__(self, feets=-1):
        self.number_of_feet = feets
    
    def move(self):
        print("walking...")
    
    def make_sound(self):
        print("talking...")
        

class Duck(Animal):
    def __init__(self):
        super().__init__(2)
        
    
    def move(self):
        print("swimming...")
    
    def make_sound(self):
        print("quak quak quak")
        
        
class Lion(Animal):
    def __init__(self):
        super().__init__(4)
        
    def move(self):
        print("Running...")
        
    def make_sound(self):
        print("Roarrrr...")

class Animal:

def __init__(self, feets=-1):

self.number_of_feet = feets

def move(self):

print("walking...")

def make_sound(self):

print("talking...")

class Duck(Animal):

def __init__(self):

super().__init__(2)

def move(self):

print("swimming...")

def make_sound(self):

print("quak quak quak")

class Lion(Animal):

def __init__(self):

super().__init__(4)

def move(self):

print("Running...")

def make_sound(self):

print("Roarrrr...")

مثال بالا خیلی خوب ارثبری رو نشون میده. یک کلاس Animal داریم. طبیعتا همه حیوانات یه سری خصوصیات مشترک دارن مثلا پا دارن حرکت میکنن و صدا دارن. دو کلاس Duck و Lion از Animal ارث بردن چون اینها هم حیوان هستن و این خصوصیات رو دارن و اونا رو به ارث بردن اما این خصوصیات مشترکشون کمی فرق داره اردک شنا میکنه و شیر میدوه، صدای هر حیوان هم فرق داره پس همینطور که میبینید این خصوصیات دوباره تعریف شدن با این که به ارث هم بردن.

Polymorphism

برای توضیح چندشکلی یه مثال واقعی میزنیم. میدونیم توی UNIX برای خوندن و نوشتن داده device های مختلفی وجود داره که به دیوایس های ورودی میگیم STDIN و به دیوایس های خروجی میگیم STDOUT. دیوایس خروجی مثل صفحه مانتور و اسپیکر و دیوایس ورودی مثل کیبورد و ماوس. حالا یه تابع نوشتیم با اسم کپی که از یه دیوایس ورودی میخونه و کپی میکنه تو دیوایس خروجی

#include <stdio.h>

void copy(){
	int c;
	while((c=getchar()) != EOF){
		putchar();
	}
}

#include <stdio.h>

void copy(){

int c;

while((c=getchar()) != EOF){

putchar();

}

ولی توی این کد ما مشخص نکردیم کدوم دیوایس ورودی و خروجی. UNIX این مشکل رو حل کرده میگه شما هر دیوایس که میسازی و می نویسی توی دایورش باید 5 تا تابع تغریف کنی که برنامه های مختلف بتونن باهاش کار کنن. این توابع open close read write seek هستن. یعنی همه دیوایس ها توی درایورشون این توابع رو دارن. و باید تعریف اونا رو هم بنویسید مثلا چجوری بخونی و بنویسی توش چه جوری باز کنی و ببندیش بنابراین مثلا یک فایل باید این توابع رو اینجوری تعریف کنن براش:

struct FILE {
	void (*open)(char* name, int mode);
	void (*close)();
	void (*read)();
	void (*write)(char);
	void (*seek)(long index, int mode);
}

struct FILE {

void (*open)(char* name, int mode);

void (*close)();

void (*read)();

void (*write)(char);

void (*seek)(long index, int mode);

}

و توی اون درایور باید همین توابع رو تعریف کنه و اون رو لود کنه چیزی مثل زیر (یعنی در واقع قابل استفاده اش کنه)

#include "file.h"

void open(char* name, int mode) {/*.....*/}
void close() {/*.....*/}
void read() {int c; /*.....*/ return c;}
void write(char c) {/*.....*/}
void seek(long index, int mode) {/*.....*/}

#include "file.h"

void open(char* name, int mode) {/*.....*/}

void close() {/*.....*/}

void read() {int c; /*.....*/ return c;}

void write(char c) {/*.....*/}

void seek(long index, int mode) {/*.....*/}

حالا اون تابع copy میتونه ازش استفاده کنه اگر تابع getchar اینجوری تعریف شده باشه

extern struct FILE* STDIN;

int getchar() {
	return STDIN->read();
}

extern struct FILE* STDIN;

int getchar() {

return STDIN->read();

}

ببینید اینجوری تابع copy نیاز به تغییر نداره فقط getchar رو صدا میزنه و این getchar هم همون تابع read رو صدا میزنه که توی درایور هست.

بنابراین polymorhpism این قابلیت رو به برنامه ها میده که مثل پلاگین عمل کنن. یعنی اگر صد تا دیوایس اضافه بشه با صد تا درایور دیگه نیازی به تغییر copy نیست چون بهرحال اون درایور تابع read داره.

plymophism اینه یعنی این تابع copy صد شکل از دیوایس رو پوشش میده پس بهش میگیم تکنیک چند شکلی.

قدرت polymorphism در همینه که بخش های برنامه از هم جدا میشن و میتونی هر کدوم رو جدا توسعه بدی و تکامل بدی بخش های محتلف برنامه مثل پلاگین با هم کار میکنن توسعه هرکدام مستقل ادامه پیدا میکنه.

Signal و Middleware توی پروسه لاگین (جلوگیری از چندین لاگین همزمان با یک نام کاربری)

توی یه پروژه خواستیم یک نام کاربری دو تا session نداشته باشه یعنی یه کاربر توی دوتا مرورگر یا دو تا سیستم لاگین نکنه. برای این کار از Middleware و Signal توی پروژه استفاده کردم.

توی Middleware.py توی app مربط کد زیر کد زیر رو زدم:

from django.contrib.auth import logout
from django.utils.deprecation import MiddlewareMixin


class PreventConcurrentLoginsMiddleware(MiddlewareMixin):
    def process_request(self, request):
        if request.user.is_authenticated:
            current_session_key = request.session.session_key
            user = request.user

            if user.session_key and user.session_key != current_session_key:
                logout(request)

            elif not user.session_key:
                user.session_key = current_session_key
                user.save()

from django.contrib.auth import logout

from django.utils.deprecation import MiddlewareMixin

class PreventConcurrentLoginsMiddleware(MiddlewareMixin):

def process_request(self, request):

if request.user.is_authenticated:

current_session_key = request.session.session_key

user = request.user

if user.session_key and user.session_key != current_session_key:

logout(request)

elif not user.session_key:

user.session_key = current_session_key

user.save()

حالا اینو توی MIDDLEWARE توی SETTING اضافه میکنیم.

Signal زیر رو اضافه میکنم که اگر کسی logtout کرد session اش پاک شه که بشه جای دیگه لاگین کنن:

from django.contrib.auth.signals import user_logged_out
from django.dispatch import receiver
from django.conf import settings
from django.contrib.auth import get_user_model


@receiver(user_logged_out)
def reset_session_key(sender, request, user, **kwargs):
    User = get_user_model()
    if user.is_authenticated:
        user.session_key = None
        user.save()

from django.contrib.auth.signals import user_logged_out

from django.dispatch import receiver

from django.conf import settings

from django.contrib.auth import get_user_model

@receiver(user_logged_out)

def reset_session_key(sender, request, user, **kwargs):

User = get_user_model()

if user.is_authenticated:

user.session_key = None

user.save()

خروجی کد مصاحبه

خروجی کد زیر چیه؟

l = [1, 2, 3]

try:
    print(l[3] / 0)
except (IndexError, ZeroDivisionError):
    print("exc")
else:
    print("else")
finally:
    print("final")

l = [1, 2, 3]

try:

print(l[3] / 0)

except (IndexError, ZeroDivisionError):

print("exc")

else:

print("else")

finally:

print("final")

طبق حدثم:

C:\code\interview>python test.py
exc
final

C:\code\interview>python test.py

exc

final

ولی else چی میگه

l = [1, 2, 3]

try:
    print(l[1] / 1)
except (IndexError, ZeroDivisionError):
    print("exc")
else:
    print("else")
finally:
    print("final")

l = [1, 2, 3]

try:

print(l[1] / 1)

except (IndexError, ZeroDivisionError):

print("exc")

else:

print("else")

finally:

print("final")

خروجی:

C:\code\interview>python test.py
2.0
else
final

C:\code\interview>python test.py

2.0

else

final

یعنی اگه Exception اتفاق نیوفته else هم اتفاق میوفته. در هر حالتی finally اتفاق میوفته

سوال مصالحبه مبتدی

خروجی تکه کد زیر چیه:

a = ["apple", "orange", "sigar"]
a.index("mellon") * 5

1 2	a = ["apple", "orange", "sigar"] a.index("mellon") * 5

جواب Exception از نوع ValueError

سوال مصاحبه ارثبری

امروز توی یه مصاحبه سوال زیر مطرح شد و گفتن که خروجی برنامه چیه و من بعدا که تستش کردم سورپرایز شدم.

class A:
    val = 1
    
class B(A):
    pass
    
class C(A):
    pass
    
print(A.val, B.val, C.val)

B.val = 2
print(A.val, B.val, C.val)

A.val = 3
print(A.val, B.val, C.val)

class A:

val = 1

class B(A):

pass

class C(A):

pass

print(A.val, B.val, C.val)

B.val = 2

print(A.val, B.val, C.val)

A.val = 3

print(A.val, B.val, C.val)

خروجی کد از قرار زیره:

C:\code\interview>python test.py
1 1 1
1 2 1
3 2 3

C:\code\interview>python test.py

1 1 1

1 2 1

3 2 3

بله سورپرایز شدیم. حالا برای اینکه بفهمیم چرا اینطور شد کد زیر رو اجرا میکنیم:

class A:
    val = 1
    
class B(A):
    pass
    
class C(A):
    pass
    

print("Class memory locations:", id(A), id(B), id(C))
print("val memory locations:", id(A.val), id(B.val), id(C.val))
print("------------------")

B.val = 2
print("Class memory locations:", id(A), id(B), id(C))
print("val memory locations:", id(A.val), id(B.val), id(C.val))
print("------------------")

A.val = 3
print("Class memory locations:", id(A), id(B), id(C))
print("val memory locations:", id(A.val), id(B.val), id(C.val))
print("------------------")

class A:

val = 1

class B(A):

pass

class C(A):

pass

print("Class memory locations:", id(A), id(B), id(C))

print("val memory locations:", id(A.val), id(B.val), id(C.val))

print("------------------")

B.val = 2

print("Class memory locations:", id(A), id(B), id(C))

print("val memory locations:", id(A.val), id(B.val), id(C.val))

print("------------------")

A.val = 3

print("Class memory locations:", id(A), id(B), id(C))

print("val memory locations:", id(A.val), id(B.val), id(C.val))

print("------------------")

و خروجی کد:

:\code\interview>python test.py
Class memory locations: 1555734830272 1555734824320 1555734826304
val memory locations: 140704966724024 140704966724024 140704966724024
------------------
Class memory locations: 1555734830272 1555734824320 1555734826304
val memory locations: 140704966724024 140704966724056 140704966724024
------------------
Class memory locations: 1555734830272 1555734824320 1555734826304
val memory locations: 140704966724088 140704966724056 140704966724088

:\code\interview>python test.py

Class memory locations: 1555734830272 1555734824320 1555734826304

val memory locations: 140704966724024 140704966724024 140704966724024

------------------

Class memory locations: 1555734830272 1555734824320 1555734826304

val memory locations: 140704966724024 140704966724056 140704966724024

------------------

Class memory locations: 1555734830272 1555734824320 1555734826304

val memory locations: 140704966724088 140704966724056 140704966724088

خوب مشخص شد مساله چیه. توی ارثبری کلاس ها توی پایتون حتی اگه هیچی هم تغییر نکنه کلاس جدید به جای جدیدی از حافظه اشاره میکنه. در واقع کلاس پدر کپی میشه توی جای جدیدی از حافظه و کلاس فرزند یه pointer به جای جدیده. و در زمان اجرا کلاس هر تغییری هم بکنه به جای جدیدی نمیره که بنابراین آدرس حافظه کلاس در هیچ شرایطی تغییر نمیکنه.

اما متغیری که توی کلاس تعریف شده داستانش فرق میکنه. توی کلاس A پدر متغیر val به یه آدرس توی حافظه اشاره میکنه. کلاس B و C که فرزند هستن به همون آدرس حافظه اشاره مکنه. حالا وقتی B.val رو تغییر میدیم (از اونجایی که integer توی پایتون immutable هست) اون خونه حافظه تغییر نمیکنه بلکه یک خونه جدید با مقدار جدید ساخته میشه و B.val به اون اشاره میکنه. حالا باید خونه قبلی حافظه رو پاک کنه اما چون 2 تا pointer دیگه بهش وصله اونو پاک نمیکنه (Garbage collector وقتی اون خونه حافظه رو پاک میکنه که هیچ pointer ای به اون اشاره نکنه)

حالا داستان دوم. با این منطق اگر A.val رو تغییر بدیم باید C.val تغییر نکنه چون A.val به آدرس جدید اشاره میکنه ولی خانه قبلی پاک نمیشه چون هنوز C.val به خانه قبلی اشاره میکنه. اما مساله دیگه ای هم هست این جا از ارثبری استفاده کردیم و C فرزند A هست پس حالا که A.val به خانه جدیدی از حافظه اشاره میکنه این pointer رو توی فرزندانش هم عوض میکنه و بازم C.val و A.val به یک خانه جدید یکسان اشاره میکنن. ولی B.val دیگه این اتفاق براش نمیوفته چون از قبل به خونه دیگه ای اشاره میکنه (تغییر کرده) اگر پایتون این رو جوری دیگه پیاده سازی میکرد قطعا به مشکل میخوردیم.

واقعا سوال باحالی بود.

برگه تقلب راه اندازی RabbitMQ و Celery روی داکر

برای بالا آوردن RabbitMQ و اجرای Celery به شرط تنظیمات درستش همین دستورات زیر کافیه:

راه اندازی RabbitMQ تو Docker

docker run -d --hostname my-rabbit --name some-rabbit rabbitmq:3-management
docker run -d --hostname my-rabbit --name some-rabbit -p 8080:15672 rabbitmq:3-management

1 2	docker run -d --hostname my-rabbit --name some-rabbit rabbitmq:3-management docker run -d --hostname my-rabbit --name some-rabbit -p 8080:15672 rabbitmq:3-management

docker run -d --hostname localhost --name some-rabbit -p 5672:5672 -p 8080:15672 rabbitmq:3-management

1	docker run -d --hostname localhost --name some-rabbit -p 5672:5672 -p 8080:15672 rabbitmq:3-management

راه اندازی Celery:

Note: If you are using windows save yourself using gevent execution pool:
(https://stackoverflow.com/questions/62524908/task-receive-but-doesnt-excute)

$ pip install gevent

```
celery -A tasks worker --concurrency=4 -l info -P gevent
```

Note: If you are using windows save yourself using gevent execution pool:

(https://stackoverflow.com/questions/62524908/task-receive-but-doesnt-excute)

$ pip install gevent

```

celery -A tasks worker --concurrency=4 -l info -P gevent

```

راه اندازی مستقیم با جنگو

python manage.py celery worker -P gevent

1	python manage.py celery worker -P gevent

راه اندازی Celery beat

celery -A core worker -l info -P gevent --concurrency 2

celery -A core beat -l info

celery -A core worker -l info -P gevent --concurrency 2

celery -A core beat -l info

اکستنشن Celery beat

celery -A core beat -l info --scheduler django_celery_beat.schedulers:DatabaseScheduler

1	celery -A core beat -l info --scheduler django_celery_beat.schedulers:DatabaseScheduler

مانیتور flow

celery --broker=amqp://guest:guest@localhost:5672// flower

1	celery --broker=amqp://guest:guest@localhost:5672// flower

celery -A core events --dump

1	celery -A core events --dump

افزودن فیلد به مدل با کمترین impact

یه مدل داریم تو جنگو که پروفایل شرکت های مختلف توی اون ذخیره میشه:

class Company(models.Model, Template):
    name = models.CharField(max_length=80, unique=True)
    name_fixed = models.CharField(max_length=80, null=True)
    name_fa = models.CharField(max_length=80)
    homepage = models.URLField(max_length=200, null=True)
    tel = models.CharField(max_length=80, null=True)
    color_code = ColorField(max_length=7, default="#1EABFF")
    active = models.BooleanField(default=True)

class Company(models.Model, Template):

name = models.CharField(max_length=80, unique=True)

name_fixed = models.CharField(max_length=80, null=True)

name_fa = models.CharField(max_length=80)

homepage = models.URLField(max_length=200, null=True)

tel = models.CharField(max_length=80, null=True)

color_code = ColorField(max_length=7, default="#1EABFF")

active = models.BooleanField(default=True)

لازم شد که لوگو شرکت هم اضافه بشه اما از اونجایی که این مدل جاهای مختلف استفاده شده بود و توی فرمها و view های مختلف ازش استفاده شده اگه یه فیلد برای لوگو بهش اضافه کنیم قطعا باید خیلی از جاهای کد هم تغییر بدیم و احتمالا باگ هایی تولید بشن و از اونجایی که این سیستم براش تست نوشته نشده ممکن اطفاقات بدی بیوفته.

بنابراین رفتم دنبال اینکه چطور میشه بدون تغییر این مدل لوگو رو اضافه کنم. حداقل طوری که اگر جایی از این مدل داره استفاده میشه دیگه فیلدهاش عوض نشه. راه های مختلفی وجود داره ولی بهترینش بنظرم اینه که یه مدل جدید برای لوگو بسازیم و ارتباط OneToOne بینشون برقرار کنیم.

class CompanyLogo(models.Model):
    company = models.OneToOneField(Company, on_delete=models.CASCADE, related_name='logo')
    logo = models.ImageField(upload_to="company_images/", blank=True, null=True)

class CompanyLogo(models.Model):

company = models.OneToOneField(Company, on_delete=models.CASCADE, related_name='logo')

logo = models.ImageField(upload_to="company_images/", blank=True, null=True)

و اینطوری ازش استفاده کنم

def vendor_detail(request, vendor_id):
    company = Company.objects.get(pk=vendor_id)
    company_logo = CompanyLogo.objects.filter(company=company).first()

    context = {
        'company': company,
        'company_logo': company_logo,
    }




{% if company_logo %}
                            <img src="{{ company_logo.logo.url }}" alt="{{ company.name }} Logo" width="150" height="100">

def vendor_detail(request, vendor_id):

company = Company.objects.get(pk=vendor_id)

company_logo = CompanyLogo.objects.filter(company=company).first()

context = {

'company': company,

'company_logo': company_logo,

}

{% if company_logo %}

پیاده سازی کوتاه و مختصرRabbitMQ و اجرای Celery

Search: Rabbitmq docker in google

Starting RabbitMQ

docker run -d --hostname my-rabbit --name some-rabbit rabbitmq:3-management

docker run -d --hostname my-rabbit --name some-rabbit -p 8080:15672 rabbitmq:3-management

docker run -d --hostname localhost --name some-rabbit -p 5672:5672 -p 8080:15672 rabbitmq:3-management

docker run -d --hostname my-rabbit --name some-rabbit rabbitmq:3-management

docker run -d --hostname my-rabbit --name some-rabbit -p 8080:15672 rabbitmq:3-management

docker run -d --hostname localhost --name some-rabbit -p 5672:5672 -p 8080:15672 rabbitmq:3-management

Starting Celery

Note: If you are using windows save yourself using gevent execution pool:

(https://stackoverflow.com/questions/62524908/task-receive-but-doesnt-excute)

$ pip install gevent

celery -A tasks worker --concurrency=4 -l info -P gevent

$ pip install gevent

celery -A tasks worker --concurrency=4 -l info -P gevent

and for Django:

python manage.py celery worker -P gevent

1	python manage.py celery worker -P gevent

Running Celery worker and Beat

celery -A core worker -l info -P gevent --concurrency 2

celery -A core beat -l info

celery -A core worker -l info -P gevent --concurrency 2

celery -A core beat -l info

Django Celery Beat extention

celery -A core beat -l info --scheduler django_celery_beat.schedulers:DatabaseScheduler

1	celery -A core beat -l info --scheduler django_celery_beat.schedulers:DatabaseScheduler

Flow monitoring

celery --broker=amqp://guest:guest@localhost:5672// flower

1	celery --broker=amqp://guest:guest@localhost:5672// flower

Flow monitoring

celery -A core events --dump

1	celery -A core events --dump

گشت و گذار اولیه توی داکر for inspection

دستورات اولیه کار با داکر و تنظیمات اولیه.

Install Ubuntu 22.04
apt update
apt install docker.io
==
docker images
docker ps


vim /etc/apt/resolve.conf
nameserver 10.202.10.202 #shekan

docker pull alpine:latest
docker load -i /path/alpine.tar

#create container based on alpine
docker run -dit --name alp1 alpine

docker exec alp2 ip a
docker exec alp2 ping ..

docker attach alp2

CTRL+p+q

ls /var/lib/docker 
ls /var/lib/docker/containers

usermod -aG docker user1
service docker restart 

docker start alp1
docker ps 

brctl show  #list all bridge

docker network ls 
docker network create mynet 

docker run -dit  -name alp3 --net mynet alpine
docker run -dit --name alp4 --net mynet alpine

docker exec alp3 ping alp4

docker network inspect mynet

docker run -dit --name mynginx nginx:alpine 
docker rm -f mynginx 
docker run -dit --name mynginx nginx:alpine 80:80
#################################

192.168.56.1
ZDsoft recorder
-----------------------------------
docker images 
docker pull nginx:alpine

scp ....
docker load -i /home/nginx-alpine.tar
docker images

mkdir project1 
cd project1
echo MySite > index.html
nano DockerFile
from nginx:alpine
copy index.html /usr/share/www/index.html

docker build -t web .
docker ps 
docker run -dit --name mynginx -p 80:80 nginx:alpine
docker ps 


docker rm -f mynginx
docker run -dit --name mynginx -p 80:80 web
docker ps 

docker network create mynet 

docker run -dit --name alp3 mynet alpine
docker run -dit --name alp4 mynet alpine

docker exec alp4 ip a
docker exec alp4 ping 172.18.0.2
docker exec alp4 ping alp3
docker exec alp4 ping alp1

# name discovery on user defined bridge 

iptables -I DOCKER-USER -i docker0 -o br-fc... -j ACCEPT
iptables -I DOCKER-USER -o docker0 -i br-fc... -j ACCEPT

docker exec alp4 ping alp1

docker netwrok inspect

docker rm -f mynginx 

docker run -dit --name mynginx --net host web  # no need to publish port like 80:80 because its on host network

----------------
docker network create -d macvlan --subnet 192.168.93.0  --iprange 192.168.93.192/26 -o parent ens33 --gateway 192.168.93.2 macvlan1
docker run -dit --name alp5 --net macvlan alpine
docker exec alp5 ip a

docker network inspect macvlan1 
----------------

ip netns add ns1 
ip netns add ns2
ip link add veth0 


ip -n ns0 link


ip netns 

ip link
ip netns add ns0
ip -n ns0 link
clear
ip netns add ns1
ip link add veth0 type veth peer name veth1
ip link
clear
ip link set veth0 netns ns0
ip -n ns0 link
ip link set veth1 netns ns1
ip -n ns0 link set veth0 up
ip -n ns0 link set lo up
ip -n ns0 addr add 10.0.1.1/24 dev veth0
ip -n ns1 link set veth1 up
ip -n ns1 link set lo up
ip -n ns1 addr add 10.0.2.1/24 dev veth1
ip -n ns0 a
clear
ip netns exec ns0 ping 10.0.2.1
ip -n ns0 route add 10.0.2.0/24 dev veth0
ip -n ns1 route add 10.0.1.0/24 dev veth1
ip netns exec ns0 ping 10.0.2.1
clear
history
ip netns

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

Install Ubuntu 22.04

apt update

apt install docker.io

docker images

docker ps

vim /etc/apt/resolve.conf

nameserver 10.202.10.202 #shekan

docker pull alpine:latest

docker load -i /path/alpine.tar

#create container based on alpine

docker run -dit --name alp1 alpine

docker exec alp2 ip a

docker exec alp2 ping ..

docker attach alp2

CTRL+p+q

ls /var/lib/docker

ls /var/lib/docker/containers

usermod -aG docker user1

service docker restart

docker start alp1

docker ps

brctl show #list all bridge

docker network ls

docker network create mynet

docker run -dit -name alp3 --net mynet alpine

docker run -dit --name alp4 --net mynet alpine

docker exec alp3 ping alp4

docker network inspect mynet

docker run -dit --name mynginx nginx:alpine

docker rm -f mynginx

docker run -dit --name mynginx nginx:alpine 80:80

#################################

192.168.56.1

ZDsoft recorder

-----------------------------------

docker images

docker pull nginx:alpine

scp ....

docker load -i /home/nginx-alpine.tar

docker images

mkdir project1

cd project1

echo MySite > index.html

nano DockerFile

from nginx:alpine

copy index.html /usr/share/www/index.html

docker build -t web .

docker ps

docker run -dit --name mynginx -p 80:80 nginx:alpine

docker ps

docker rm -f mynginx

docker run -dit --name mynginx -p 80:80 web

docker ps

docker network create mynet

docker run -dit --name alp3 mynet alpine

docker run -dit --name alp4 mynet alpine

docker exec alp4 ip a

docker exec alp4 ping 172.18.0.2

docker exec alp4 ping alp3

docker exec alp4 ping alp1

# name discovery on user defined bridge

iptables -I DOCKER-USER -i docker0 -o br-fc... -j ACCEPT

iptables -I DOCKER-USER -o docker0 -i br-fc... -j ACCEPT

docker exec alp4 ping alp1

docker netwrok inspect

docker rm -f mynginx

docker run -dit --name mynginx --net host web # no need to publish port like 80:80 because its on host network

----------------

docker network create -d macvlan --subnet 192.168.93.0 --iprange 192.168.93.192/26 -o parent ens33 --gateway 192.168.93.2 macvlan1

docker run -dit --name alp5 --net macvlan alpine

docker exec alp5 ip a

docker network inspect macvlan1

----------------

ip netns add ns1

ip netns add ns2

ip link add veth0

ip -n ns0 link

ip netns

ip link

ip netns add ns0

ip -n ns0 link

clear

ip netns add ns1

ip link add veth0 type veth peer name veth1

ip link

clear

ip link set veth0 netns ns0

ip -n ns0 link

ip link set veth1 netns ns1

ip -n ns0 link set veth0 up

ip -n ns0 link set lo up

ip -n ns0 addr add 10.0.1.1/24 dev veth0

ip -n ns1 link set veth1 up

ip -n ns1 link set lo up

ip -n ns1 addr add 10.0.2.1/24 dev veth1

ip -n ns0 a

clear

ip netns exec ns0 ping 10.0.2.1

ip -n ns0 route add 10.0.2.0/24 dev veth0

ip -n ns1 route add 10.0.1.0/24 dev veth1

ip netns exec ns0 ping 10.0.2.1

clear

history

ip netns

پیاده سازی gitlab بر روی داکر با پشتیبانگیری

برای پیاده سازی gitlab بر روی داکر از compose زیر استفاده کردم:

version: '3.6'
services:
  gitlab:
    image: 'gitlab/gitlab-ce:latest'
    container_name: nasim_gitlab
    restart: always
    hostname: 'localhost'
    environment:
      discovery.type: single-node
    ports:
      - '3389:80'
      - '443:443'
    volumes:
      - gitlab_config:/etc/gitlab
      - gitlab_logs:/var/log/gitlab
      - gitlab_data:/var/opt/gitlab
    shm_size: '256m'

volumes:
  gitlab_config:
    driver: local
  gitlab_logs:
    driver: local
  gitlab_data:
    driver: local

version: '3.6'

services:

gitlab:

image: 'gitlab/gitlab-ce:latest'

container_name: nasim_gitlab

restart: always

hostname: 'localhost'

environment:

discovery.type: single-node

ports:

- '3389:80'

- '443:443'

volumes:

- gitlab_config:/etc/gitlab

- gitlab_logs:/var/log/gitlab

- gitlab_data:/var/opt/gitlab

shm_size: '256m'

volumes:

gitlab_config:

driver: local

gitlab_logs:

driver: local

gitlab_data:

driver: local

برای پشتیبانی گیری و برگرداندن بک آپ هم از کامند های زیر استفاده می شود:

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_config.tar --directory=/etc/gitlab .
# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_logs.tar --directory=/var/log/gitlab .
# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_opt.tar --directory=/var/opt/gitlab  .

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /etc/gitlab && tar xvf /backup/gitlab_config.tar --strip 1"
# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /var/log/gitlab && tar xvf /backup/gitlab_logs.tar --strip 1"
# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /var/opt/gitlab && tar xvf /backup/gitlab_opt.tar --strip 1"

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_config.tar --directory=/etc/gitlab .

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_logs.tar --directory=/var/log/gitlab .

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox tar cvfz /backup/gitlab_opt.tar --directory=/var/opt/gitlab .

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /etc/gitlab && tar xvf /backup/gitlab_config.tar --strip 1"

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /var/log/gitlab && tar xvf /backup/gitlab_logs.tar --strip 1"

# docker run --rm --volumes-from nasim_gitlab -v /c/code/deployments/193/backup:/backup busybox sh -c "cd /var/opt/gitlab && tar xvf /backup/gitlab_opt.tar --strip 1"