MinerU 系列教程第十六课：Docker 容器化部署实战

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

MinerU 系列教程第十六篇

本篇教程作为 模块四：进阶篇 - API 服务与部署 的最后一课，将详细讲解 MinerU 的 Docker 容器化部署方案。你将了解完整的镜像体系（全球版、国内版、国产 AI 芯片版），掌握 Docker Compose 四种服务 Profile 的使用方式，以及生产环境部署的**实践。

完成本课学习后，你将能够：

理解 MinerU 的 Docker 镜像体系：全球版、国内版和 10 种国产 AI 芯片专用镜像
掌握 Dockerfile 的构建流程：基础镜像选择、依赖安装、模型下载
使用 Docker Compose 部署四种服务 Profile：openai-server、api、router、gradio
理解容器资源配置：GPU 设备映射、共享内存、IPC 模式
配置模型挂载策略实现 Volume 持久化
实施生产环境**实践：多 GPU 路由部署、混合架构、健康检查与自动重启

1.1 镜像分类概览

MinerU 提供了一套完整的 Docker 镜像体系，覆盖不同地区和硬件平台的需求：

docker/ ├── global/ │ └── Dockerfile # 全球版（基于 vllm/vllm-openai 官方镜像） ├── china/ │ ├── Dockerfile # 国内版（DaoCloud 代理 + 阿里云 PyPI） │ ├── npu.Dockerfile # 昇腾 Ascend NPU │ ├── mlu.Dockerfile # 寒武纪 Cambricon MLU │ ├── maca.Dockerfile # 沐曦 MetaX GPU │ ├── musa.Dockerfile # 摩尔线程 MooreThreads GPU │ ├── corex.Dockerfile # 天数智芯 IluvatarCorex GPU │ ├── gcu.Dockerfile # 燧原 Enflame GCU │ ├── dcu.Dockerfile # 海光 Hygon DCU │ ├── kxpu.Dockerfile # 昆仑芯 Kunlun XPU │ └── ppu.Dockerfile # 平头哥 T-Head PPU └── compose.yaml # Docker Compose 服务编排

1.2 全球版镜像

全球版 Dockerfile 基于 vLLM 官方镜像构建：

# docker/global/Dockerfile FROM vllm/vllm-openai:v0.11.2 # 安装 OpenCV 依赖和中文字体 RUN apt-get update && apt-get install -y fonts-noto-core fonts-noto-cjk fontconfig libgl1 && fc-cache -fv && apt-get clean && rm -rf /var/lib/apt/lists/* # 安装 MinerU RUN python3 -m pip install -U 'mineru[core]>=3.0.0' --break-system-packages && python3 -m pip cache purge # 下载所有模型 RUN /bin/bash -c "mineru-models-download -s huggingface -m all" # 入口点：设置模型源为本地并执行命令 ENTRYPOINT ["/bin/bash", "-c", "export MINERU_MODEL_SOURCE=local && exec "$@"", "--"]

构建步骤解析：

步骤操作说明 1 选择基础镜像 vllm/vllm-openai:v0.11.2 自带 CUDA、PyTorch、vLLM 2 安装系统依赖 libgl1 供 OpenCV 使用，Noto 字体用于中文 PDF 渲染 3 安装 MinerU mineru[core] 包含完整功能（不含推理加速框架，因基础镜像已有 vLLM） 4 下载模型 mineru-models-download 预下载所有版面分析和 OCR 模型 5 设置入口运行时设置 MINERU_MODEL_SOURCE=local 使用本地模型

GPU 架构支持：基础镜像 vllm/vllm-openai:v0.11.2 支持 Compute Capability 7.0 ~ 12.0 的 NVIDIA GPU，覆盖 Volta、Turing、Ampere、Ada Lovelace、Hopper、Blackwell 架构。同时支持 x86_64 和 ARM (AArch64) 两种 CPU 架构。

构建命令：

# 在 docker/ 目录下执行 docker build -f global/Dockerfile -t mineru:latest .

1.3 国内版镜像

国内版使用 DaoCloud 代理拉取基础镜像，并使用阿里云 PyPI 镜像加速 Python 包安装：

# docker/china/Dockerfile FROM docker.m.daocloud.io/vllm/vllm-openai:v0.11.2

… 系统依赖安装相同 …

使用阿里云镜像源

RUN python3 -m pip install -U ‘mineru[core]>=3.0.0’

-i https://mirrors.aliyun.com/pypi/simple --break-system-packages && python3 -m pip cache purge

使用 ModelScope 下载模型（国内可达）

RUN /bin/bash -c “mineru-models-download -s modelscope -m all”

ENTRYPOINT [“/bin/bash”, “-c”, “export MINERU_MODEL_SOURCE=local && exec ”$@“”, “–”]

与全球版的差异：

差异点全球版国内版基础镜像源 Docker Hub DaoCloud 代理 PyPI 源默认（pypi.org）阿里云镜像模型下载源 HuggingFace ModelScope

1.4 国产 AI 芯片专用镜像

MinerU 为 10 种国产 AI 芯片提供了专用 Dockerfile，它们的共同构建模式为：

厂商专用基础镜像 → 系统依赖 → MinerU + 适配依赖 → 模型下载 → 统一入口

以下是各芯片的 Dockerfile 概要：

Dockerfile 芯片平台基础镜像 CPU 架构推理框架 npu.Dockerfile 昇腾 Ascend NPU ascend/vllm-ascend:v0.11.0 ARM (AArch64) vLLM / LMDeploy mlu.Dockerfile 寒武纪 Cambricon MLU LMDeploy / vLLM 专用镜像 x86_64 LMDeploy / vLLM maca.Dockerfile 沐曦 MetaX GPU cr.metax-tech.com/…/vllm:maca.ai3.1.0.7… x86_64 vLLM / LMDeploy musa.Dockerfile 摩尔线程 MooreThreads registry.mthreads.com/…/vllm-musa-qy2… x86_64 vLLM corex.Dockerfile 天数智芯 IluvatarCorex OpenDataLab 定制镜像 x86_64 vLLM gcu.Dockerfile 燧原 Enflame GCU OpenDataLab 定制镜像 x86_64 vLLM dcu.Dockerfile 海光 Hygon DCU SourceFind Harbor 镜像 x86_64 vLLM kxpu.Dockerfile 昆仑芯 Kunlun XPU 社区定制镜像 x86_64 vLLM ppu.Dockerfile 平头哥 T-Head PPU OpenDataLab 定制镜像 x86_64 vLLM / LMDeploy

适配差异示例：

昇腾 NPU 版需要额外固定 numpy 和 opencv 版本，并在模型下载时禁用 Torch 设备后端自动加载：

# docker/china/npu.Dockerfile RUN python3 -m pip install ‘mineru[core]>=3.0.0’

 numpy==1.26.4 opencv-python==4.11.0.86 -i https://mirrors.aliyun.com/pypi/simple

禁用 torch 设备后端自动加载以避免 NPU 初始化干扰模型下载

RUN TORCH_DEVICE_BACKEND_AUTOLOAD=0 /bin/bash -c “mineru-models-download -s modelscope -m all”

摩尔线程版需要从源码编译 torchvision：

# docker/china/musa.Dockerfile RUN git clone https://gitcode.com/gh_mirrors/vi/vision.git -b v0.20.0 –depth 1 &&

cd vision && python3 setup.py install

2.1 四种部署 Profile

MinerU 使用 Docker Compose 的 Profile 机制将四种服务分组管理。这意味着你可以按需启动特定的服务组合，而不是一次性启动所有容器。

# docker/compose.yaml services: mineru-openai-server: # Profile: openai-server mineru-api: # Profile: api mineru-router: # Profile: router mineru-gradio: # Profile: gradio

启动方式：

# 启动单个 Profile docker compose --profile api up -d # 启动多个 Profile docker compose --profile openai-server --profile api up -d # 启动所有服务 docker compose --profile openai-server --profile api --profile router --profile gradio up -d

2.2 openai-server Profile

VLM 推理服务，对外暴露 OpenAI 兼容接口，供 http-client 模式使用：

mineru-openai-server: image: mineru:latest container_name: mineru-openai-server restart: always profiles: ["openai-server"] ports: - 30000:30000 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-openai-server command: --host 0.0.0.0 --port 30000 # --gpu-memory-utilization 0.5 ulimits: memlock: -1 stack:  ipc: host healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:30000/health || exit 1"] deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

使用场景：当你需要将 VLM 推理服务独立部署在高显存 GPU 上，供多个 mineru-api 实例通过 vlm-http-client 或 hybrid-http-client 模式远程调用。

2.3 api Profile

FastAPI 文档解析服务，集成完整的解析能力：

mineru-api: image: mineru:latest container_name: mineru-api restart: always profiles: ["api"] ports: - 8000:8000 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-api command: --host 0.0.0.0 --port 8000 # --gpu-memory-utilization 0.5 ulimits: memlock: -1 stack:  ipc: host healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:8000/health || exit 1"] deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

使用场景：单 GPU 独立部署，直接对外提供文档解析 API。适用于中小规模使用或开发测试环境。

2.4 router Profile

路由服务，负载均衡多个 API 实例：

mineru-router: image: mineru:latest container_name: mineru-router restart: always profiles: ["router"] ports: - 8002:8002 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-router command: --host 0.0.0.0 --port 8002 --local-gpus auto # 聚合远程 API 服务而非启动本地 worker： # --local-gpus none # --upstream-url http://mineru-api:8000 # --upstream-url http://mineru-api-2:8000 ulimits: memlock: -1 stack:  ipc: host healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:8002/health || exit 1"] deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

使用场景：多 GPU 环境的统一入口，自动管理本地 GPU 工作进程或聚合远程 API 实例。

2.5 gradio Profile

Web UI 服务，提供可视化交互界面：

mineru-gradio: image: mineru:latest container_name: mineru-gradio restart: always profiles: ["gradio"] ports: - 7860:7860 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-gradio command: --server-name 0.0.0.0 --server-port 7860 # --enable-api false # --max-convert-pages 20 ulimits: memlock: -1 stack:  ipc: host deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

使用场景：为最终用户提供浏览器可访问的文档解析界面。

3.1 GPU 设备映射

每个服务通过 deploy.resources.reservations.devices 指定使用的 GPU：

deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] # 使用第 0 号 GPU capabilities: [gpu]

多 GPU 配置：

# 单个服务使用多张 GPU device_ids: ["0", "1"] # 使用所有可用 GPU # 将 device_ids 替换为 count: devices: - driver: nvidia count: all capabilities: [gpu]

3.2 IPC 模式

ipc: host

ipc: host 让容器共享主机的 IPC 命名空间（Inter-Process Communication）。这对于 PyTorch 的多进程数据加载和 GPU 内存共享至关重要。

如果不设置 ipc: host，PyTorch DataLoader 的 num_workers > 0 可能因共享内存不足而失败。

3.3 共享内存与进程限制

ulimits: memlock: -1 # 取消内存锁定限制 stack:  # 栈大小限制：64MB

配置值作用 memlock: -1 无限制允许 GPU 驱动锁定内存页面（CUDA pinned memory） stack: 64MB 增大线程栈空间，防止深层递归或大模型推理时栈溢出

提示：如果你的 GPU 显存有限，可以通过 --gpu-memory-utilization 0.5 参数减少 vLLM 的 KV Cache 大小。若仍然 OOM，可以进一步降低到 0.4 或更低。

3.4 自动重启策略

restart: always

restart: always 确保服务在以下情况自动重启：

进程崩溃（非零退出码）
OOM Kill
Docker 守护进程重启
主机重启

4.1 默认行为

在默认的 Dockerfile 中，模型文件在构建时通过 mineru-models-download 预下载并内嵌到镜像中。这使得镜像体积较大（通常 20GB+），但部署时无需额外步骤。

4.2 Volume 持久化模型目录

在生产环境中，建议使用 Docker Volume 或 Bind Mount 将模型目录外置：

services: mineru-api: image: mineru:latest volumes: # 方式 1：Bind Mount（主机路径映射） - /data/mineru-models:/root/.cache/mineru # 方式 2：Named Volume # - mineru-models:/root/.cache/mineru # ... # 使用 Named Volume 时需要声明 volumes: mineru-models:

优势：

镜像瘦身：构建镜像时跳过模型下载步骤，镜像体积可减少 15GB+
多容器共享：多个服务实例可挂载同一个模型目录，避免重复存储
独立更新：模型更新不需要重新构建镜像

4.3 轻量镜像构建

如果使用 Volume 挂载模型，可以构建不含模型的轻量镜像：

# Dockerfile.lightweight FROM vllm/vllm-openai:v0.11.2 RUN apt-get update && apt-get install -y fonts-noto-core fonts-noto-cjk fontconfig libgl1 && fc-cache -fv && apt-get clean && rm -rf /var/lib/apt/lists/* RUN python3 -m pip install -U 'mineru[core]>=3.0.0' --break-system-packages && python3 -m pip cache purge # 跳过模型下载步骤 ENTRYPOINT ["/bin/bash", "-c", "export MINERU_MODEL_SOURCE=local && exec "$@"", "--"]

然后首次部署时在主机上执行模型下载：

# 在主机上下载模型到指定目录 docker run --rm -v /data/mineru-models:/root/.cache/mineru mineru:lightweight  mineru-models-download -s huggingface -m all

4.4 模型下载源选择

参数说明适用场景 -s huggingface 从 HuggingFace Hub 下载全球可达环境 -s modelscope 从 ModelScope 下载中国大陆环境 -m all 下载所有模型完整功能（推荐）

5.1 单 GPU 快速部署

最简单的生产部署 —— 一台单 GPU 服务器对外提供 API：

# 构建镜像 cd docker && docker build -f global/Dockerfile -t mineru:latest . # 启动 API 服务 docker compose --profile api up -d # 验证服务状态 curl http://localhost:8000/health

5.2 多 GPU 路由部署

一台多 GPU 服务器使用 Router 自动分配任务：

# 自定义 compose.override.yaml services: mineru-router: command: --host 0.0.0.0 --port 8002 --local-gpus auto # 自动检测所有 GPU deploy: resources: reservations: devices: - driver: nvidia count: all # 分配所有 GPU capabilities: [gpu]

docker compose --profile router up -d

Router 将自动为每张 GPU 启动一个 mineru-api Worker 进程，并通过负载均衡分配请求。

5.3 远程 VLM + 本地 Pipeline 的混合架构

将 VLM 推理服务部署在高显存 GPU 服务器上，API 服务以 hybrid-http-client 模式连接：

┌───────────────────────────────────────┐ │ GPU Server A (A100 80GB) │ │ │ │ ┌─────────────────────────────────┐ │ │ │ mineru-openai-server │ │ │ │ (端口 30000) │ │ │ │ 模型: Qwen2.5-VL-7B │ │ │ └─────────────────────────────────┘ │ └───────────────────────┬───────────────┘ │ HTTP ┌───────────────────────▼───────────────┐ │ API Server B (RTX 4090 24GB) │ │ │ │ ┌─────────────────────────────────┐ │ │ │ mineru-api │ │ │ │ (端口 8000) │ │ │ │ --backend hybrid-http-client │ │ │ │ --server-url http://A:30000 │ │ │ └─────────────────────────────────┘ │ └───────────────────────────────────────┘

Server A 的 compose.yaml：

services: mineru-openai-server: image: mineru:latest restart: always ports: - 30000:30000 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-openai-server command: --host 0.0.0.0 --port 30000 ipc: host deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

Server B 的 compose.yaml：

services: mineru-api: image: mineru:latest restart: always ports: - 8000:8000 environment: MINERU_MODEL_SOURCE: local entrypoint: mineru-api command: --host 0.0.0.0 --port 8000 ipc: host deploy: resources: reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

调用时指定远程 VLM 服务：

curl -X POST http://server-b:8000/tasks  -F "files=@document.pdf"  -F "backend=hybrid-http-client"  -F "server_url=http://server-a:30000"

5.4 多机分布式 Router 部署

多台服务器通过 Router 统一管理：

 ┌─────────────────────────┐ │ mineru-router │ │ (端口 8002) │ │ --local-gpus none │ │ --upstream-url A:8000 │ │ --upstream-url B:8000 │ └───────┬──────┬──────────┘ │ │ ┌─────────────┘ └─────────────┐ ▼ ▼ ┌─────────────────────────┐ ┌─────────────────────────┐ │ GPU Server A │ │ GPU Server B │ │ mineru-api :8000 │ │ mineru-api :8000 │ │ (2x A100) │ │ (4x A100) │ └─────────────────────────┘ └─────────────────────────┘

Router 的 compose 配置：

services: mineru-router: image: mineru:latest restart: always ports: - 8002:8002 entrypoint: mineru-router command: --host 0.0.0.0 --port 8002 --local-gpus none --upstream-url http://server-a:8000 --upstream-url http://server-b:8000 healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:8002/health || exit 1"]

注意：Router 配置 --local-gpus none 表示不启动本地 Worker，仅作为纯反向代理和负载均衡器。此模式下 Router 容器本身不需要 GPU。

5.5 健康检查与自动重启

所有服务都配置了 Docker 原生健康检查：

healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:8000/health || exit 1"]

Docker 默认的健康检查行为：

参数默认值说明 interval 30s 检查间隔 timeout 30s 单次检查超时 retries 3 连续失败次数判定不健康 start_period 0s 启动宽限期

对于需要较长模型加载时间的服务，建议增加 start_period：

healthcheck: test: ["CMD-SHELL", "curl -f http://localhost:8000/health || exit 1"] interval: 30s timeout: 10s retries: 3 start_period: 120s # VLM 模型加载可能需要 1-2 分钟

结合 restart: always，当容器被判定为不健康时，Docker 会自动重启容器。

5.6 日志管理

生产环境建议配置日志驱动限制存储：

services: mineru-api: logging: driver: json-file options: max-size: "100m" max-file: "3"

6.1 开发测试环境

# 快速启动 Gradio WebUI（一站式体验） docker compose --profile gradio up -d # 访问 http://localhost:7860

6.2 CI/CD 集成

# 使用 API Profile，通过 API 接口调用 docker compose --profile api up -d # 等待健康检查通过 until curl -sf http://localhost:8000/health; do sleep 5; done # 批量处理文档 curl -X POST http://localhost:8000/tasks  -F "files=@document.pdf"  -F "backend=hybrid-auto-engine"

6.3 高可用生产环境

# 多 GPU 服务器部署 Router docker compose --profile router up -d # 验证所有 Worker 就绪 curl http://localhost:8002/health | python -m json.tool

7.1 常见问题

问题原因解决方案容器启动后立即退出 GPU 驱动不匹配确认 nvidia-smi 可用且 CUDA 版本兼容 OOM Killed 显存不足添加 –gpu-memory-utilization 0.4 降低 KV Cache 健康检查失败模型加载超时增加 start_period 或使用 VLM 预加载多 GPU 未识别 device_ids 配置错误检查 nvidia-smi 输出的 GPU 编号中文乱码字体缺失确认 fonts-noto-cjk 已安装

7.2 调试命令

# 查看容器日志 docker logs mineru-api –tail 100 -f

# 进入容器调试 docker exec -it mineru-api bash

# 检查 GPU 状态 docker exec mineru-api nvidia-smi

# 检查模型文件是否完整 docker exec mineru-api ls /root/.cache/mineru/

# 查看健康状态 docker inspect –format=‘{{.State.Health.Status}}’ mineru-api

7.3 性能调优

调优项命令/配置说明 KV Cache 大小 –gpu-memory-utilization 0.8 提高（默认 0.9 左右），可处理更长文档并发数 MINERU_API_MAX_CONCURRENT_REQUESTS=5 增加并发（需确保显存充足）共享内存 shm_size: “32g” 或 ipc: host 解决 PyTorch 多进程共享内存不足

8.1 网络隔离

services: mineru-api: networks: - mineru-internal # 内部网络 ports: - "127.0.0.1:8000:8000" # 仅本地访问 networks: mineru-internal: driver: bridge

8.2 只读文件系统

services: mineru-api: read_only: true tmpfs: - /tmp volumes: - mineru-output:/output # 仅输出目录可写

8.3 非 Root 运行

若基础镜像支持，建议添加：

services: mineru-api: user: "1000:1000"

9.1 核心文件

文件说明 docker/global/Dockerfile 全球版构建文件，基于 vllm/vllm-openai:v0.11.2 docker/china/Dockerfile 国内版构建文件，DaoCloud 代理 + 阿里云 PyPI + ModelScope docker/compose.yaml Docker Compose 编排，定义四种 Profile docker/china/*.Dockerfile 10 种国产 AI 芯片专用 Dockerfile

9.2 构建流程对照

所有 Dockerfile 遵循统一的四层结构：

┌─────────────────────────────────────────────────┐ │ Layer 1: 基础镜像 │ │ - 包含 CUDA/加速框架/Python/推理引擎 │ │ - 不同芯片使用各自厂商提供的基础镜像 │ ├─────────────────────────────────────────────────┤ │ Layer 2: 系统依赖 │ │ - libgl1 (OpenCV) │ │ - fonts-noto-cjk (中文字体) │ │ - fontconfig │ ├─────────────────────────────────────────────────┤ │ Layer 3: MinerU 安装 │ │ - pip install mineru[core] │ │ - 芯片特定版本锁定 (numpy, opencv-python) │ ├─────────────────────────────────────────────────┤ │ Layer 4: 模型预下载 │ │ - mineru-models-download -s  -m all │ │ - 包含版面分析、OCR、VLM 等所有模型 │ ├─────────────────────────────────────────────────┤ │ ENTRYPOINT: 统一入口 │ │ - export MINERU_MODEL_SOURCE=local │ │ - exec “$@”（执行传入的命令） │ └─────────────────────────────────────────────────┘

9.3 Compose 服务通用配置

四个服务共享以下配置模式：

# 通用模式 image: mineru:latest # 统一使用同一镜像 restart: always # 自动重启 environment: MINERU_MODEL_SOURCE: local # 使用本地模型 ulimits: memlock: -1 # 无内存锁定限制 stack:  # 64MB 栈空间 ipc: host # 共享主机 IPC deploy: resources:

reservations: devices: - driver: nvidia device_ids: ["0"] capabilities: [gpu]

区别在于：

属性 openai-server api router gradio entrypoint mineru-openai-server mineru-api mineru-router mineru-gradio 默认端口 30000 8000 8002 7860 健康检查有有有无（Gradio 无 /health 端点）核心参数 –gpu-memory-utilization - –local-gpus –enable-api

本课我们系统性地学习了 MinerU 的 Docker 容器化部署方案。核心要点回顾：

镜像体系：全球版基于 vllm/vllm-openai:v0.11.2，国内版使用 DaoCloud 代理和阿里云源，另有 10 种国产 AI 芯片专用 Dockerfile
统一构建模式：所有 Dockerfile 遵循四层结构 —— 基础镜像 → 系统依赖 → MinerU 安装 → 模型预下载
四种 Profile：openai-server（VLM 推理）、api（文档解析）、router（负载均衡）、gradio（Web UI）
资源配置：GPU 设备映射、ipc: host、ulimits 内存锁定和栈空间配置
模型挂载：Volume 持久化避免重复存储，支持多容器共享
生产实践：多 GPU 路由部署、远程 VLM + 本地 Pipeline 混合架构、健康检查与自动重启

下一课我们将进入 模块五：原理篇 - 数据流与中间格式，深入分析 MinerU 的 Middle JSON 统一中间格式设计。我们将了解 pdf_info 的分页结构、标准 Block 的数据模型、各后端到 Middle JSON 的转换路径。

MinerU 系列教程 第十六课：Docker 容器化部署实战