dockerfile

# Dockerfile per il servizio di previsione Churn

# Fase 1: Base Image
# Partiamo da un'immagine Python ufficiale "slim" per ridurre le dimensioni.
# Specificare una versione precisa (es. 3.11) garantisce build riproducibili.
FROM python:3.11-slim

# Fase 2: Impostazione dell'Ambiente
# Creiamo e definiamo la cartella di lavoro all'interno del container.
WORKDIR /app

# Fase 3: Installazione delle Dipendenze
# Copiamo prima il file dei requisiti. Questo passaggio viene messo in cache da Docker.
# Se `requirements.txt` non cambia, Docker riutilizzerà lo strato esistente,
# velocizzando notevolmente le build successive.
COPY requirements-docker.txt .

# Eseguiamo l'installazione delle librerie.
# L'opzione --no-cache-dir riduce le dimensioni finali dell'immagine.
RUN pip install --no-cache-dir -r requirements-docker.txt

# Fase 4: Copia dell'Applicazione
# Solo dopo aver installato le dipendenze, copiamo il resto del codice.
COPY . .

# Fase 5: Esposizione della Porta
# Documentiamo che il container ascolterà sulla porta 5000.
# Questo non pubblica la porta, ma è una convenzione utile.
EXPOSE 5000

# Fase 6: Comando di Avvio
# Questo è il comando che viene eseguito all'avvio del container.
# Usiamo Gunicorn come server di produzione WSGI, una scelta robusta per Flask.
# --workers 3: avvia 3 processi paralleli per gestire le richieste.
# --bind 0.0.0.0:5000: rende il servizio accessibile da fuori il container sulla porta 5000.
# app:app: dice a Gunicorn di trovare l'oggetto 'app' nel file 'app.py'.
CMD ["gunicorn", "--workers", "3", "--bind", "0.0.0.0:5000", "app:app"]