如何构建带Conda多环境的Docker容器 实现Rstudio、Jupyter切换与共享存储

你当前使用的rocker系列镜像和jupyter官方datascience镜像都已经预装了Conda，操作逻辑和原生Conda几乎一致，只需要注意容器特性带来的持久化和启动配置问题：

• 临时操作方式（适合测试环境）
  执行docker exec -it 对应容器名 /bin/bash即可进入运行中的容器终端，后续操作和原生Conda完全相同：
  新建环境命令：conda create -n 环境名 依赖包名，比如创建env2可执行conda create -n env2 python=3.10 jupyter pandas numpy
  激活环境命令：conda activate 环境名，安装、卸载包的操作和原生没有任何区别。
  注意：默认情况下你在容器内创建的环境会存储在容器的可写层，只要不删除容器数据就不会丢失；如果需要即使删除容器也保留环境，可以在docker-compose的volumes配置中新增挂载规则：- ~/GitHub/dockertest/conda_envs:/opt/conda/envs，将Conda环境目录映射到宿主机本地存储。
  如果需要在Jupyter界面直接切换不同Conda环境，只需要在base环境安装nb_conda_kernels包即可：conda install -n base nb_conda_kernels，安装完成后重启Jupyter服务，Kernel列表就会自动展示所有已创建的Conda环境。
• 固化环境方式（适合生产/固定使用场景）
  可以编写Dockerfile将Conda环境提前打包到镜像中，避免每次重建容器都重新配置环境，示例Dockerfile如下：

  # 基于rocker基础镜像构建env1的镜像
  FROM rocker/tidyverse:latest
  # 升级Conda到最新版本
  RUN conda update -n base -c defaults conda -y
  # 创建env1环境并安装R、R包、Rstudio相关依赖
  RUN conda create -n env1 r-base r-tidyverse r-studio -y
  # 配置终端默认激活env1环境
  RUN echo "conda activate env1" >> /root/.bashrc
  

  之后修改docker-compose.yaml中对应服务的image字段为build配置，指向Dockerfile所在目录即可，执行docker-compose build时会自动构建包含对应Conda环境的镜像。

更推荐你使用3个独立容器对应3个环境，优势非常明显：

• 依赖完全隔离：三个环境的依赖版本不会互相干扰，比如env2需要Python3.8、env3需要Python3.11的场景也能轻松支持，不会出现单容器下的隐含依赖冲突问题。
• 运维成本更低：每个容器只负责运行一个服务，env1跑Rstudio映射8787端口、env2跑Jupyter映射8888端口、env3跑Jupyter映射8889端口，不需要额外配置进程管理工具同时启动多个服务，出问题排查也更简单。
• 资源开销极低：Docker镜像采用分层存储，多个镜像共享相同的基础层，不会占用3倍的存储空间，启动后的内存占用也和单容器运行多服务差距极小。
• 共享文件夹需求完全满足：三个服务都挂载同一个宿主机notebooks目录即可，和你当前的配置逻辑一致，所有环境都能读写同一份共享文件。

如果你一定要使用单容器方案也可以实现，但需要额外配置supervisor等进程管理工具同时托管Rstudio、两个Jupyter服务的启动，还要配置不同端口、权限规则，配置复杂度高很多，没有特殊需求完全没必要选择该方案。

内容的提问来源于stack exchange，提问作者Sos