当前位置:首页 > 文章列表 > 文章 > 软件教程 > docker buildx bake --set 怎样临时覆盖一个目标

docker buildx bake --set 怎样临时覆盖一个目标

来源:17golang原创 2026-11-14 04:02:30 0浏览 收藏

临时覆盖 Bake 的单个目标,可以重复传入 --set 目标名.属性=值,并在命令末尾明确选择实际构建的目标。下面只调整 api 的镜像标签和构建参数,不回写共享 HCL 文件。

# 指定文件、覆盖属性并选择 api,将单平台结果加载到本地
docker buildx bake -f docker-bake.hcl \
  --set 'api.tags=demo/api:trial' \
  --set 'api.args.BUILD_CHANNEL=trial' \
  --load api

api.tags 的 api 限定覆盖范围,末尾 api 选择构建目标,这是两个独立动作。只指定覆盖项,不代表只构建该目标。官方命令参考:https://docs.docker.com/reference/cli/docker/buildx/bake/。

1. 准备两个目标,明确默认值

在已经能使用 Docker Buildx 的环境中,为示例建立独立目录,保存以下两个文件。api 和 worker 共用上下文与默认变量,默认组包含二者,因此省略目标名时可能同时构建两者。

# docker-bake.hcl:两个目标共享默认参数
variable "CHANNEL" {
  default = "stable"
}
group "default" {
  targets = ["api", "worker"]
}
target "api" {
  context = "."
  dockerfile = "Dockerfile"
  tags = ["demo/api:stable"]
  args = { BUILD_CHANNEL = CHANNEL }
}
target "worker" {
  context = "."
  dockerfile = "Dockerfile"
  tags = ["demo/worker:stable"]
  args = { BUILD_CHANNEL = CHANNEL }
}
# Dockerfile:把参数写进元数据,便于构建后观察
FROM scratch
ARG BUILD_CHANNEL
LABEL org.example.channel=${BUILD_CHANNEL}

这个最小镜像没有应用程序和 shell,只演示构建参数进入元数据的过程。实际项目应使用自己的 Dockerfile,并确认参数确实被消费。仅传一个未被使用的 ARG,不会自动改变程序行为。

原创说明图展示 api 与 worker 的默认构建配置
原创说明图:同一配置里的 api 与 worker 是两个独立目标。

2. 指定一次性的目标属性覆盖

在示例目录执行开头的命令。显式使用 -f docker-bake.hcl,让配置来源更清楚。第一项把 api 的镜像标签改为 trial,第二项只覆盖 api 的 BUILD_CHANNEL;末尾 api 表示本次选择它构建,worker 不会因默认组而被连带构建。

--set 的目标部分支持模式匹配。这里使用精确目标名,不使用星号,避免影响多个目标。参数整体加引号也能防止 shell 先解释特殊字符。重复传入该选项,就能设置不同属性。

当前命令文档使用 tag、arg 等单数属性名,同时支持 tags、args 等复数别名。本文采用复数写法,与 HCL 字段更容易对应。不要把 HCL 列表文本 ["demo/api:trial"] 原样塞进命令值;本例直接传入一个镜像引用。

--load 用于本例的单平台、本地加载场景,配置中没有额外的输出声明。已有输出配置或多平台发布任务,应根据 builder 和镜像存储能力选择输出方式,不能直接假定本例适合所有构建流水线。

原创说明图展示只覆盖并构建 api 的关系
原创说明图:一次调用只覆盖 api,选择构建的目标也明确写为 api。

3. 核对结果,并恢复普通调用

命令成功且镜像已加载到本地后,分别检查输出名称和参数对应的镜像标签。下面提供的是执行后的核对方法,不是本文实际运行的回执。

# 检查本次输出的镜像引用
docker image inspect demo/api:trial --format '{{json .RepoTags}}'
# 检查参数经 Dockerfile LABEL 写入的 channel 值
docker image inspect demo/api:trial --format '{{index .Config.Labels "org.example.channel"}}'

对这个最小示例,第一项应能找到 demo/api:trial,第二项的预期值为 trial。镜像名称与构建参数是不同维度:标签名称变化,并不能证明应用配置变化;这里专门用 LABEL 建立一个可观察的参数结果。

原创说明图分别展示镜像引用和参数标签的预期结果
原创说明图:镜像名称和镜像标签中的 channel 字段分别核对。

找不到镜像时,先检查构建是否成功、是否进行了本地加载,以及镜像检查命令是否连接相同 Docker 上下文。channel 仍为 stable 时,检查目标名、属性路径和 Dockerfile 对参数的引用。若构建了额外目标,检查是否遗漏末尾 api,或是否使用了扩大匹配范围的模式。

下一次需要恢复文件里的默认值,去掉覆盖项即可:

# 再次读取配置文件,使用 api 的 stable 默认值
docker buildx bake -f docker-bake.hcl --load api

这会重新构建 api 并使用文件里的 stable 标签;之前生成的 trial 镜像不会自动删除。--set 的值不会成为下次调用的默认值。共享变量适合给多个目标提供统一输入;目标属性覆盖适合只改变一个目标的一次运行。把完整命令、目标名和输出镜像引用记录在构建日志中,便于追溯此次差异。

参考:Docker Buildx Bake 命令参考;Bake 配置参考。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Docker Compose --profile 与 profiles 环境变量怎样区分Docker Compose --profile 与 profiles 环境变量怎样区分
上一篇
Docker Compose --profile 与 profiles 环境变量怎样区分
Git merge-ort 与 rebase-merges 处理冲突有什么区别
下一篇
Git merge-ort 与 rebase-merges 处理冲突有什么区别
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1018次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1020次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1155次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1121次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    962次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码