Docker y servidores
Esta página cambió después de phonometry 4.0.0, la última versión publicada en PyPI, así que puede describir código que esa versión aún no tiene. Lo nuevo desde entonces figura en la sección Unreleased del registro de cambios.
phonometry no necesita del sistema operativo nada más que Python en una imagen
python:*-slim para x86-64 o ARM64
(linux/amd64, linux/arm64): todos los extras se instalan allí desde
wheels, incluida la libsndfile que va dentro del wheel de soundfile. El único
paquete del sistema que merece la pena añadir es ffmpeg, y solo para los
vídeos. La misma etiqueta publica otras seis arquitecturas, y
Docker descarga la del anfitrión: ARM de 32 bits
(linux/arm/v5, linux/arm/v7), x86 de 32 bits (linux/386),
linux/ppc64le, linux/riscv64 y linux/s390x. numba ya no da soporte a
Linux de 32 bits, donde sus últimos wheels, de la 0.56.4, son para Python 3.10
como mucho, así que ni [perf] ni [full], que lo incluye, tienen soporte en
las tres de 32 bits, donde
python -m pip install "phonometry[plot,report,audio]" instala los otros tres
extras. torch no publica wheel para ninguna de las seis ni código fuente que
compilar, así que [torch] no se instala en ellas desde PyPI. PyPI no tiene
para ninguna de las seis wheel de Python 3.13 de NumPy, SciPy, matplotlib ni
Pillow, ni de numba con el llvmlite que necesita en linux/ppc64le,
linux/riscv64 y linux/s390x, que numba solo atiende en la medida de lo
posible, ni para algunas de ellas de contourpy, kiwisolver, cffi o lxml, así
que pip los compila allí desde el código fuente, NumPy y SciPy incluso en una
instalación normal. Eso pide lo que la imagen ligera deja fuera: un compilador
de C y otro de C++ y los archivos de desarrollo de las bibliotecas que enlaza
cada paquete, un compilador de Fortran con BLAS y LAPACK para SciPy, y para
llvmlite LLVM 22 con cmake y make en el PATH. python-soundfile instala
allí su wheel de Python puro, que carga la libsndfile del sistema:
apt-get install libsndfile1. En linux/arm/v5, cuya ABI de coma flotante
por software no cubre ningún wheel manylinux, las compilaciones de NumPy,
SciPy y matplotlib piden además ninja y patchelf, y pip también los compilaría
desde el código fuente, lo que ejecuta make y autoreconf, salvo que
apt-get install ninja-build patchelf haya puesto los de la imagen en el
PATH. Una imagen de Alpine, hecha sobre musl, necesita más, porque allí
python-soundfile no tiene ningún wheel que lleve libsndfile y numba no tiene
ninguno; Primeros
pasos dice qué
pide allí cada extra.
Comprobado el 17 de noviembre de 2026 con phonometry 4.0.0 de PyPI, con Docker
29.9.3 y la imagen python:3.13-slim fijada por el digest
sha256:09a17cad02668ae61ece136b4fd36ac3849e14f670ebedb637ea3e15580525bc
(Python 3.13.18): la imagen y el trabajo de abajo, como root, como otro
identificador de usuario, como nobody y con la raíz de solo lectura.
Una imagen
Sección titulada «Una imagen»FROM python:3.13-slimRUN python -m venv /opt/venv \ && /opt/venv/bin/python -m pip install --no-cache-dir --upgrade pip \ && /opt/venv/bin/python -m pip install --no-cache-dir "phonometry[full]"ENV PATH=/opt/venv/bin:$PATH MPLCONFIGDIR=/tmp/matplotlibCOPY analyse.py /app/analyse.pyWORKDIR /tmpCMD ["python", "/app/analyse.py"]El entorno virtual saca del registro de la construcción el aviso de pip sobre
ejecutarse como root. analyse.py hace las veces de tu propio trabajo; este
escribe un espectro en bandas, su figura y una ficha:
"""Un trabajo por lotes: un análisis en tercios de octava, su figura y una ficha."""from pathlib import Path
import numpy as np
from phonometry import building, filters
out = Path("out")out.mkdir(exist_ok=True)
fs = 48000t = np.arange(2 * fs) / fsx = 0.1 * np.sin(2 * np.pi * 1000 * t)
bands = filters.octave_filter(x, fs, fraction=3)bands.plot().figure.savefig(out / "bands.png")impulse = filters.time_weighting(x, fs, mode="impulse")rating = building.weighted_rating( [30, 34, 38, 41, 45, 49, 50, 53, 54, 55, 56, 57, 58, 58, 58, 58])rating.report(out / "rating.pdf")print(f"{len(bands.frequencies)} bands, impulse maximum {float(np.max(impulse)):.4f}")print("wrote", sorted(p.name for p in out.iterdir()))docker build -t acoustics .mkdir -p outdocker run --rm --user "$(id -u):$(id -g)" -v "$PWD/out:/tmp/out" acoustics33 bands, impulse maximum 0.0092wrote ['bands.png', 'rating.pdf']El trabajo escribe en out bajo su directorio de trabajo, /tmp/out en el
contenedor, y --rm borra el contenedor con sus archivos cuando el trabajo
termina. El montaje -v lleva esa carpeta a tu máquina como out en el
directorio desde el que lo ejecutas, donde la figura y la ficha se quedan.
Con un demonio de Docker que se ejecuta como root, --user ejecuta el trabajo
como tú, así que los archivos son tuyos y no de root. Crea antes la carpeta:
la que ese demonio crea para el montaje pertenece a root, y el trabajo, que
corre como tú, no puede escribir en ella.
Docker y Podman sin root (rootless) ya ejecutan el
root del contenedor como tú, y llevan cualquier otro identificador de usuario
del contenedor, el tuyo incluido, a un identificador subordinado de tu máquina
que no puede escribir en tu out: ahí --user detiene el trabajo con un
PermissionError. Quítalo, o pasa --userns=keep-id en Podman, y los
archivos son tuyos. La carpeta creada antes sirve para los dos: Docker sin
root crearía como tú una que faltase, y Podman se niega a montar una que no
existe.
matplotlib elige por sí solo su backend Agg en un contenedor sin pantalla, así
que nada tiene que fijar MPLBACKEND.
Cualquier usuario, cualquier sistema de archivos
Sección titulada «Cualquier usuario, cualquier sistema de archivos»La imagen ejecuta el mismo trabajo como root, como un identificador de usuario
cualquiera (docker run --user 12345:12345), como nobody y sobre un sistema
de archivos raíz de solo lectura con un /tmp escribible
(docker run --read-only --tmpfs /tmp). Una carpeta montada para los
resultados tiene que ser escribible para el usuario con el que corre el
trabajo, como lo es out para ti arriba. Dos cachés y un directorio deciden
lo callado que lo hace:
MPLCONFIGDIR. matplotlib guarda su configuración y su caché bajo el directorio personal del usuario. Para un usuario sin directorio personal escribible imprime “Matplotlib created a temporary cache directory at …” cada vez que arranca; la líneaENVde arriba lo lleva a/tmp, y no dice nada.- La caché de numba. numba guarda el núcleo compilado de
impulsejunto al paquete o bajo el directorio personal. Donde no puede escribir en ninguno de los dos, compila el núcleo una vez en cada proceso y no dice nada. ConNUMBA_CACHE_DIR=/tmp/numbalo escribe ahí, para los procesos que vengan después en el mismo contenedor. - Una raíz de solo lectura. El trabajo necesita algún sitio donde
escribir: aquí su directorio de trabajo,
/tmp, que--tmpfs /tmpmantiene escribible, y la carpetaoutmontada dentro de él desde tu máquina. Sin ningún montaje escribible, el trabajo se detiene en su propioout.mkdir.
io.write_video y las funciones que escriben animaciones FDTD ejecutan
ffmpeg. Instálalo desde los paquetes de la propia imagen antes del entorno
virtual:
FROM python:3.13-slimRUN apt-get update \ && apt-get install -y --no-install-recommends ffmpeg \ && rm -rf /var/lib/apt/lists/*RUN python -m venv /opt/venv \ && /opt/venv/bin/python -m pip install --no-cache-dir --upgrade pip \ && /opt/venv/bin/python -m pip install --no-cache-dir "phonometry[full]"ENV PATH=/opt/venv/bin:$PATH MPLCONFIGDIR=/tmp/matplotlibWebM y MP4 se codifican entonces en la CPU, igual como nobody que sobre una
raíz de solo lectura con un /tmp escribible. Escribir
vídeos trata los codificadores y un nodo con GPU.
Servidores e hilos
Sección titulada «Servidores e hilos»Un servidor que atiende peticiones en un grupo de hilos puede importar desde esos hilos los dominios que necesita, varios a la vez. Enviar una simulación a un nodo remoto trata una simulación FDTD que el servidor no debe calcular por sí mismo.