Docker Compose
docker-compose.yml-Datei, Services, depends_on, Healthchecks, gemeinsame Volumes, Networks, Umgebungsvariablen, Profiles
1Was ist die Hauptaufgabe einer docker-compose.yml-Datei?
Was ist die Hauptaufgabe einer docker-compose.yml-Datei?
Antwort
Die docker-compose.yml-Datei ermöglicht das Definieren und Ausführen von Multi-Container-Docker-Anwendungen. Sie beschreibt Services, deren Images, Volumes, Networks und Abhängigkeiten in einem deklarativen YAML-Format. Das vereinfacht den Start komplexer Umgebungen mit einem einzigen docker compose up-Befehl.
2Welcher Befehl startet alle in docker-compose.yml definierten Services im Hintergrund?
Welcher Befehl startet alle in docker-compose.yml definierten Services im Hintergrund?
Antwort
Der Befehl docker compose up -d startet alle Services im detached (Daemon)-Modus. Das -d-Flag ermöglicht es Containern, im Hintergrund zu laufen und das Terminal freizugeben. Ohne dieses Flag werden Logs aller Services im Terminal angezeigt und das Stoppen des Prozesses stoppt die Container.
3Wie wird ein benanntes Volume definiert, das in docker-compose.yml zwischen mehreren Services geteilt wird?
Wie wird ein benanntes Volume definiert, das in docker-compose.yml zwischen mehreren Services geteilt wird?
Antwort
Benannte Volumes werden in einem volumes:-Abschnitt auf der Root-Ebene der Datei deklariert und dann in jedem Service referenziert. Im Gegensatz zu Bind Mounts werden benannte Volumes von Docker verwaltet und bleiben unabhängig von Containern bestehen. Sie ermöglichen eine zuverlässige Datenfreigabe zwischen Services.
Was ist der Unterschied zwischen depends_on und healthcheck in Docker Compose?
Wie konfiguriert man einen Healthcheck für einen PostgreSQL-Service in docker-compose.yml?
+17 Interview-Fragen
Weitere Data Engineering-Interviewthemen
Linux & Shell - Grundlagen
Git & GitHub - Grundlagen
Fortgeschrittenes Python für Data Engineering
Docker - Grundlagen
Google Cloud Platform - Grundlagen
CI/CD und Codequalität
FastAPI - Daten-APIs
Fortgeschrittenes SQL für Data Engineering
Data Lake - Architektur und Ingestion
BigQuery für Data Engineering
PostgreSQL - Administration
Data Modeling für Data Engineering
Fivetran & Airbyte - Daten-Ingestion
dbt - Grundlagen
Apache Airflow - Grundlagen
Kubernetes - Grundlagen
dbt - Erweiterte Funktionen
ETL- / ELT- / ETLT-Patterns
Apache Airflow - Fortgeschritten
Airflow + dbt - Pipeline-Orchestrierung
PySpark - Verarbeitung im großen Maßstab
Google Pub/Sub - Daten-Streaming
Apache Beam & Dataflow
Kubernetes - Produktion und Skalierung
Terraform - Infrastructure as Code
NoSQL-Datenbanken
Moderne Data Architecture
Monitoring und Observability
IAM und Datensicherheit
Meistere Data Engineering für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten