新网创想网站建设,新征程启航

为企业提供网站建设、域名注册、服务器等服务

如何分析ArgoWorkflows-Kubernetes的工作流引擎

如何分析Argo Workflows-Kubernetes的工作流引擎,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。

专业的建站公司网站可以采用ASP、PHP、.NET编程语言及配备的SQL SERVER、MYSQL、ACCESSS数据库存储来整体开发及设计各类型大中型网站(包括:公司、行业门户、医院门户、商城、政府门户、音乐、视频、交友、分类信息网站等各种类型网站),我们可以提供从网站开发、网站设计、网站安全维护及网站托管运营和网络推广一条龙服务。打造高端企业网站设计公司,网站开发周期短,质量有保证,设计精美,价格合理。

 什么是Argo Workflows?

Argo  Workflows是一个开源项目,为Kubernetes提供container-native工作流程,其主要通过Kubernetes CRD实现的。

特点如下:

  • 工作流的每一步都是一个容器

  • 将多步骤工作流建模为一系列任务,或者使用有向无环图(DAG)描述任务之间的依赖关系

  • 可以在短时间内轻松运行用于机器学习或数据处理的计算密集型作业

  • 在Kubernetes上运行CI/CD Pipeline,无需复杂的软件配置

安装

安装控制器端

Argo Wordflows的安装非常简单,直接使用以下命令安装即可。

kubectl create ns argo kubectl apply -n argo -f https://raw.githubusercontent.com/argoproj/argo-workflows/stable/manifests/quick-start-postgres.yaml

安装完成后,会生成以下4个pod。

# kubectl get po -n argo NAME                                   READY   STATUS      RESTARTS   AGE argo-server-574ddc66b-62rjc            1/1     Running     4          4h35m minio                                  1/1     Running     0          4h35m postgres-56fd897cf4-k8fwd              1/1     Running     0          4h35m workflow-controller-77658c77cc-p25ll   1/1     Running     4          4h35m

其中:

  • argo-server是argo服务端

  • mino是进行制品仓库

  • postgres是数据库

  • workflow-controller是流程控制器

然后配置一个server端的ingress,即可访问UI,配置清单如下(我这里使用的是traefik):

apiVersion: traefik.containo.us/v1alpha1 kind: IngressRoute metadata:   name: argo-ui   namespace: argo spec:   entryPoints:   - web   routes:   - match: Host(`argowork-test.coolops.cn`)     kind: Rule     services:     - name: argo-server       port: 2746

UI界面如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

再配置一个minio的ingress,配置清单如下:

apiVersion: traefik.containo.us/v1alpha1 kind: IngressRoute metadata:   name: minio   namespace: argo spec:   entryPoints:   - web   routes:   - match: Host(`minio-test.coolops.cn`)     kind: Rule     services:     - name: minio       port: 9000

UI界面如下(默认用户名密码是:admin:password):

如何分析Argo Workflows-Kubernetes的工作流引擎

安装Client端

Argo Workflows提供Argo CLI,其安装方式也非常简单,如下:Linux系统:

# Download the binary curl -sLO https://github.com/argoproj/argo/releases/download/v3.0.0-rc4/argo-linux-amd64.gz  # Unzip gunzip argo-linux-amd64.gz  # Make binary executable chmod +x argo-linux-amd64  # Move binary to path mv ./argo-linux-amd64 /usr/local/bin/argo

安装完成后,使用以下命令校验是否安装成功。

# argo version argo: v3.0.0-rc4   BuildDate: 2021-03-02T21:42:55Z   GitCommit: ae5587e97dad0e4806f7a230672b998fe140a767   GitTreeState: clean   GitTag: v3.0.0-rc4   GoVersion: go1.13   Compiler: gc   Platform: linux/amd64

其主要的命令有:

list      列出工作流 logs      查看工作流的日志 submit    创建工作流 watch     实时监听工作流 get       现实详细信息 delete    删除工作流 stop      停止工作流

更多命令可以使用argo --help进行查看。

然后可以使用一个简单的hello world的WorkFlow,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: hello-world-   labels:     workflows.argoproj.io/archive-strategy: "false" spec:   entrypoint: whalesay   templates:   - name: whalesay     container:       image: docker/whalesay:latest       command: [cowsay]       args: ["hello world"]

使用如下命令创建并观察workflow。

$ argo submit -n argo helloworld.yaml --watch

然后可以看到以下输出。

Name:                hello-world-9pw7v Namespace:           argo ServiceAccount:      default Status:              Succeeded Conditions:            Completed           True Created:             Mon Mar 08 14:51:35 +0800 (10 seconds ago) Started:             Mon Mar 08 14:51:35 +0800 (10 seconds ago) Finished:            Mon Mar 08 14:51:45 +0800 (now) Duration:            10 seconds Progress:            1/1 ResourcesDuration:   4s*(1 cpu),4s*(100Mi memory)  STEP                  TEMPLATE  PODNAME            DURATION  MESSAGE  ✔ hello-world-9pw7v  whalesay  hello-world-9pw7v  5s

还可以通过argo list来查看状态,如下:

# argo list -n argo NAME                STATUS      AGE   DURATION   PRIORITY hello-world-9pw7v   Succeeded   1m    10s        0

使用argo logs来查看具体的日志,如下:

# argo logs -n argo hello-world-9pw7v hello-world-9pw7v:  _____________  hello-world-9pw7v: < hello world > hello-world-9pw7v:  -------------  hello-world-9pw7v:     \ hello-world-9pw7v:      \ hello-world-9pw7v:       \      hello-world-9pw7v:                     ##        .             hello-world-9pw7v:               ## ## ##       ==             hello-world-9pw7v:            ## ## ## ##      ===             hello-world-9pw7v:        /""""""""""""""""___/ ===         hello-world-9pw7v:   ~~~ {~~ ~~~~ ~~~ ~~~~ ~~ ~ /  ===- ~~~    hello-world-9pw7v:        \______ o          __/             hello-world-9pw7v:         \    \        __/              hello-world-9pw7v:           \____\______/

核心概念

Workflow

Workflow是Argo中最重要的资源,其主要有两个重要功能:

  • 它定义要执行的工作流

  • 它存储工作流程的状态

要执行的工作流定义在Workflow.spec字段中,其主要包括templates和entrypoint,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: hello-world-  # Workflow的配置名称 spec:   entrypoint: whalesay        # 解析whalesay templates   templates:   - name: whalesay            # 定义whalesay templates,和entrypoint保持一致     container:                # 定义一个容器,输出"helloworld"       image: docker/whalesay       command: [cowsay]       args: ["hello world"]

Templates

templates是列表结构,主要分为两类:

  • 定义具体的工作流

  • 调用其他模板提供并行控制

定义具体的工作流

定义具体的工作流有4种类别,如下:

  • Container

  • Script

  • Resource

  • Suspend

Container

container是最常用的模板类型,它将调度一个container,其模板规范和K8S的容器规范相同,如下:

- name: whalesay               container:                     image: docker/whalesay     command: [cowsay]     args: ["hello world"]

Script

Script是Container的另一种包装实现,其定义方式和Container相同,只是增加了source字段用于自定义脚本,如下:

- name: gen-random-int   script:     image: python:alpine3.6     command: [python]     source: |       import random       i = random.randint(1, 100)       print(i)

脚本的输出结果会根据调用方式自动导出到{{tasks..outputs.result}}或{{steps..outputs.result}}中。

Resource

Resource主要用于直接在K8S集群上执行集群资源操作,可以 get, create, apply, delete, replace,  patch集群资源。如下在集群中创建一个ConfigMap类型资源:

- name: k8s-owner-reference   resource:     action: create     manifest: |       apiVersion: v1       kind: ConfigMap       metadata:         generateName: owned-eg-       data:         some: value

Suspend

Suspend主要用于暂停,可以暂停一段时间,也可以手动恢复,命令使用argo resume进行恢复。定义格式如下:

- name: delay   suspend:     duration: "20s"

调用其他模板提供并行控制

调用其他模板也有两种类别:

  • Steps

  • Dag

Steps

Steps主要是通过定义一系列步骤来定义任务,其结构是"list of lists",外部列表将顺序执行,内部列表将并行执行。如下:

- name: hello-hello-hello   steps:   - - name: step1       template: prepare-data   - - name: step2a       template: run-data-first-half     - name: step2b       template: run-data-second-half

其中step1和step2a是顺序执行,而step2a和step2b是并行执行。

还可以通过When来进行条件判断。如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: coinflip- spec:   entrypoint: coinflip   templates:   - name: coinflip     steps:     - - name: flip-coin         template: flip-coin     - - name: heads         template: heads         when: "{{steps.flip-coin.outputs.result}} == heads"       - name: tails         template: tails         when: "{{steps.flip-coin.outputs.result}} == tails"    - name: flip-coin     script:       image: python:alpine3.6       command: [python]       source: |         import random         result = "heads" if random.randint(0,1) == 0 else "tails"         print(result)    - name: heads     container:       image: alpine:3.6       command: [sh, -c]       args: ["echo \"it was heads\""]    - name: tails     container:       image: alpine:3.6       command: [sh, -c]       args: ["echo \"it was tails\""]

提交这个Workflow,执行效果如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

除了使用When进行条件判断,还可以进行循环操作,示例代码如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: loops- spec:   entrypoint: loop-example   templates:   - name: loop-example     steps:     - - name: print-message         template: whalesay         arguments:           parameters:           - name: message             value: "{{item}}"         withItems:         - hello world         - goodbye world    - name: whalesay     inputs:       parameters:       - name: message     container:       image: docker/whalesay:latest       command: [cowsay]       args: ["{{inputs.parameters.message}}"]

提交Workflow,输出结果如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

Dag

Dag主要用于定义任务的依赖关系,可以设置开始特定任务之前必须完成其他任务,没有任何依赖关系的任务将立即执行。如下:

- name: diamond   dag:     tasks:     - name: A       template: echo     - name: B       dependencies: [A]       template: echo     - name: C       dependencies: [A]       template: echo     - name: D       dependencies: [B, C]       template: echo

其中A会立即执行,B和C会依赖A,D依赖B和C。

然后运行一个示例看看效果,示例如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: dag-diamond- spec:   entrypoint: diamond   templates:   - name: diamond     dag:       tasks:       - name: A         template: echo         arguments:           parameters: [{name: message, value: A}]       - name: B         dependencies: [A]         template: echo         arguments:           parameters: [{name: message, value: B}]       - name: C         dependencies: [A]         template: echo         arguments:           parameters: [{name: message, value: C}]       - name: D         dependencies: [B, C]         template: echo         arguments:           parameters: [{name: message, value: D}]    - name: echo     inputs:       parameters:       - name: message     container:       image: alpine:3.7       command: [echo, "{{inputs.parameters.message}}"]

提交workflow。

argo submit -n argo dag.yam --watch

如何分析Argo Workflows-Kubernetes的工作流引擎

image.png

Variables

在argo的Workflow中允许使用变量的,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: hello-world-parameters- spec:   entrypoint: whalesay   arguments:     parameters:       - name: message         value: hello world   templates:     - name: whalesay       inputs:         parameters:           - name: message       container:         image: docker/whalesay         command: [ cowsay ]         args: [ "{{inputs.parameters.message}}" ]

首先在spec字段定义arguments,定义变量message,其值是hello  world,然后在templates字段中需要先定义一个inputs字段,用于templates的输入参数,然后在使用"{{}}"形式引用变量。

变量还可以进行一些函数运算,主要有:

  • filter:过滤

  • asInt:转换为Int

  • asFloat:转换为Float

  • string:转换为String

  • toJson:转换为Json

例子:

filter([1, 2], { # > 1}) asInt(inputs.parameters["my-int-param"]) asFloat(inputs.parameters["my-float-param"]) string(1) toJson([1, 2])

更多语法可以访问https://github.com/antonmedv/expr/blob/master/docs/Language-Definition.md进行学习。

制品库

在安装argo的时候,已经安装了mino作为制品库,那么到底该如何使用呢?

先看一个官方的例子,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: artifact-passing- spec:   entrypoint: artifact-example   templates:   - name: artifact-example     steps:     - - name: generate-artifact         template: whalesay     - - name: consume-artifact         template: print-message         arguments:           artifacts:           - name: message             from: "{{steps.generate-artifact.outputs.artifacts.hello-art}}"    - name: whalesay     container:       image: docker/whalesay:latest       command: [sh, -c]       args: ["sleep 1; cowsay hello world | tee /tmp/hello_world.txt"]     outputs:       artifacts:       - name: hello-art         path: /tmp/hello_world.txt    - name: print-message     inputs:       artifacts:       - name: message         path: /tmp/message     container:       image: alpine:latest       command: [sh, -c]       args: ["cat /tmp/message"]

其分为两步:

  • 首先生成制品

  • 然后获取制品

提交Workflow,运行结果如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

然后在minio中可以看到生成的制品,制品经过了压缩,如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

WorkflowTemplate

WorkflowTemplate是Workflow的模板,可以从WorkflowTemplate内部或者集群上其他Workflow和WorkflowTemplate引用它们。

WorkflowTemplate和template的区别:

  • template只是Workflow中templates下的一个任务,当我们定义一个Workflow时,至少需要定义一个template

  • WorkflowTemplate是驻留在集群中的Workflow的定义,它是Workflow的定义,因为它包含模板,可以从WorkflowTemplate内部或者集群上其他Workflow和WorkflowTemplate引用它们。

在2.7版本后,WorkflowTemplate的定义和Workflow的定义一样,我们可以简单的将kind:Workflow改成kind:WorkflowTemplate。比如:

apiVersion: argoproj.io/v1alpha1 kind: WorkflowTemplate metadata:   name: workflow-template-1 spec:   entrypoint: whalesay-template   arguments:     parameters:       - name: message         value: hello world   templates:     - name: whalesay-template       inputs:         parameters:           - name: message       container:         image: docker/whalesay         command: [cowsay]         args: ["{{inputs.parameters.message}}"]

创建WorkflowTemplate,如下

argo template create workflowtemplate.yaml

然后在Workflow中引用,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: workflow-template-hello-world- spec:   entrypoint: whalesay   templates:   - name: whalesay     steps:                              # 引用模板必须在steps/dag/template下       - - name: call-whalesay-template           templateRef:                  # 应用模板字段             name: workflow-template-1   # WorkflowTemplate名             template: whalesay-template # 具体的template名           arguments:                    # 参数             parameters:             - name: message               value: "hello world"

ClusterWorkflowTemplate

ClusterWorkflowTemplate创建的是一个集群范围内的WorkflowTemplate,其他workflow可以引用它。

如下定义一个ClusterWorkflow。

apiVersion: argoproj.io/v1alpha1 kind: ClusterWorkflowTemplate metadata:   name: cluster-workflow-template-whalesay-template spec:   templates:   - name: whalesay-template     inputs:       parameters:       - name: message     container:       image: docker/whalesay       command: [cowsay]       args: ["{{inputs.parameters.message}}"]

然后在workflow中使用templateRef去引用它,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: workflow-template-hello-world- spec:   entrypoint: whalesay   templates:   - name: whalesay     steps:                 - - name: call-whalesay-template           templateRef:                  #引用模板             name: cluster-workflow-template-whalesay-template   # ClusterWorkflow名             template: whalesay-template # 具体的模板名             clusterScope: true          # 表示是ClusterWorkflow           arguments:                    #  参数             parameters:             - name: message               value: "hello world"

实践

上面大概叙述了一下argo的基本理论知识,更多的理论知识可以到官网去学习。

下面将使用一个简单的CI/CD实践,来了解一下用argo workflow应该如何做。

CI/CD的整个流程很简单,即:拉代码->编译->构建镜像->上传镜像->部署。

定义一个WorkflowTemplate,如下:

apiVersion: argoproj.io/v1alpha1 kind: WorkflowTemplate metadata:   annotations:     workflows.argoproj.io/description: |       Checkout out from Git, build and deploy application.     workflows.argoproj.io/maintainer: '@joker'     workflows.argoproj.io/tags: java, git     workflows.argoproj.io/version: '>= 2.9.0'   name: devops-java  spec:   entrypoint: main   arguments:     parameters:       - name: repo         value: gitlab-test.coolops.cn/root/springboot-helloworld.git       - name: branch         value: master       - name: image         value: registry.cn-hangzhou.aliyuncs.com/rookieops/myapp:202103101613       - name: cache-image         value: registry.cn-hangzhou.aliyuncs.com/rookieops/myapp       - name: dockerfile         value: Dockerfile       - name: devops-cd-repo         value: gitlab-test.coolops.cn/root/devops-cd.git       - name: gitlabUsername         value: devops       - name: gitlabPassword         value: devops123456   templates:     - name: main       steps:         - - name: Checkout             template: Checkout         - - name: Build             template: Build         - - name: BuildImage             template: BuildImage         - - name: Deploy             template: Deploy     # 拉取代码     - name: Checkout       script:         image: registry.cn-hangzhou.aliyuncs.com/rookieops/maven:3.5.0-alpine         workingDir: /work         command:         - sh         source: |           git clone --branch {{workflow.parameters.branch}} http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.repo}} .         volumeMounts:           - mountPath: /work             name: work     # 编译打包       - name: Build       script:         image: registry.cn-hangzhou.aliyuncs.com/rookieops/maven:3.5.0-alpine         workingDir: /work         command:         - sh         source: mvn -B clean package -Dmaven.test.skip=true -Dautoconfig.skip         volumeMounts:           - mountPath: /work             name: work     # 构建镜像       - name: BuildImage       volumes:       - name: docker-config         secret:           secretName: docker-config       container:         image: registry.cn-hangzhou.aliyuncs.com/rookieops/kaniko-executor:v1.5.0         workingDir: /work         args:           - --context=.           - --dockerfile={{workflow.parameters.dockerfile}}           - --destination={{workflow.parameters.image}}           - --skip-tls-verify           - --reproducible           - --cache=true           - --cache-repo={{workflow.parameters.cache-image}}         volumeMounts:           - mountPath: /work             name: work           - name: docker-config             mountPath: /kaniko/.docker/     # 部署       - name: Deploy       script:         image: registry.cn-hangzhou.aliyuncs.com/rookieops/kustomize:v3.8.1         workingDir: /work         command:         - sh         source: |            git remote set-url origin http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.devops-cd-repo}}            git config --global user.name "Administrator"            git config --global user.email "coolops@163.com"            git clone http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.devops-cd-repo}} /work/devops-cd            cd /work/devops-cd            git pull            cd /work/devops-cd/devops-simple-java            kustomize edit set image {{workflow.parameters.image}}            git commit -am 'image update'            git push origin master         volumeMounts:           - mountPath: /work             name: work   volumeClaimTemplates:     - name: work       metadata:         name: work       spec:         storageClassName: nfs-client-storageclass         accessModes: [ "ReadWriteOnce" ]         resources:           requests:             storage: 1Gi

说明:

1、使用kaniko来创建镜像,不用挂载docker.sock,但是push镜像的时候需要config.json,所以首先需要创建一个secret,如下:

kubectl create secret generic docker-config --from-file=.docker/config.json -n argo

2、准备好storageClass,当然也可以不需要,直接使用empty,不过可以将缓存文件这些持久化,可以加速构建(我上面没有做)。

3、创建WorkflowTemplate,命令如下:

argo template create -n argo devops-java.yaml

如何分析Argo Workflows-Kubernetes的工作流引擎

4、创建Workflow,可以手动创建,如下:

apiVersion: argoproj.io/v1alpha1 kind: Workflow metadata:   generateName: workflow-template-devops-java- spec:   workflowTemplateRef:     name: devops-java

也可以直接在UI界面点击创建,我这里直接在UI界面点击创建。选择刚创建的WorkflowTemplate,点击创建,如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

然后就会生成一条Workflow,如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

点进去,可以看到每个具体的步骤,如下

如何分析Argo Workflows-Kubernetes的工作流引擎

点击每个具体的步骤,可以看日志,如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

也可以在命令行界面看到Workflow的执行结果,如下:

如何分析Argo Workflows-Kubernetes的工作流引擎

看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注创新互联行业资讯频道,感谢您对创新互联的支持。


文章题目:如何分析ArgoWorkflows-Kubernetes的工作流引擎
URL地址:http://wjwzjz.com/article/gpgdhd.html
在线咨询
服务热线
服务热线:028-86922220
TOP