运用 Argo Workflows 协调 CI/CD 流水线

Argo Workflows 是一个开源的容器原生工作流引擎，用于协调 CI/CD 在 Kubernetes 中的运作。它以 Kubernetes 自定义资源（CRD）的形式实现，使开发人员能够创建自定义 API 对象，以兼容的方式扩展 Kubernetes 的功能。

选择 Argo Workflows 的原因

Argo Workflows 旨在运行于 Kubernetes 之上，而非虚拟机或云服务等其他平台。让我们用一分钟时间来强调一下使用 Kubernetes 作为 Argo Workflows 运行平台的优点和缺点。

Argo Workflows 是以 Kubernetes 自定义资源定义（CRD）的形式实现的，它使你能够：

• 为工作流中的每个步骤使用单独的容器来定义 Kubernetes 工作流。

• 使用有向无环图 (DAG) 建立工作流模型，捕捉多个步骤之间的依赖关系。

• 快速轻松地运行计算密集型数据处理或机器学习任务。

• 无需配置复杂的应用程序开发解决方案，即可在 Kubernetes 上以本地方式运行 CI/CD 流水线。

使用 Argo Workflows 进行 CI/CD

如果您有以下需求，Argo Workflows 将满足您的需求：

• 灵活处理容器崩溃和故障。

• 可同时管理大量工作流的自动扩展选项。

• 全面的企业功能，如基于角色的访问控制（RBAC）和单点登录（SSO）。

但若出现以下情况，您则可能需要避免使用 Argo Workflows：

• 随着工作流数量和基础设施需求的增长，YAML 文件维护的复杂性可能会增加，尽管 Argo 提供了管理这方面的技巧和模板功能。

• 您的团队没有容器和 Kubernetes 方面的经验。

• 您需要维护完整的企业设置，这涉及到管理大量的配置选项。

了解 Argo Workflows 的关键组成部分

Argo Workflows 的核心概念包括定义和存储实时的 Kubernetes CRD 对象，这些对象将指定在适当状态下执行工作流。

例如 workflow.spec，它包含一个模板列表和一个作为主要功能或第一个要执行的模板的 entrypoint。

模板被定义为函数，可以有多种类型，如 containers, script或 resource templates。

容器模板是最常用的模板。脚本模板允许定义脚本，然后执行脚本。资源模板可处理请求，而暂停模板可在规定时间内暂停工作流程的执行，并可使用 Argo UI 恢复执行。模板本身使用嵌套列表依次或并行运行，可根据不同设置进行自定义。

安装

为了开始安装，我们需要在机器上下载 Argo Workflows 二进制文件并保存：

$ curl -sLO https://github.com/argoproj/argo-workflows/releases/download/v3.4.5/argo-darwin-amd64.gz

接下来，我们需要解压从上述命令下载的文件：

$ gunzip argo-darwin-amd64.gz

完成所有步骤后，我们需要修改该文件的权限，使其可以作为程序运行。这样就可以直接从命令行执行 argo 命令：

$ chmod +x argo-darwin-amd64

完成上述操作后，我们需要将该文件从当前目录移至/usr/local/bin 目录：

mv ./argo-darwin-amd64 /usr/local/bin/argo

这样就可以在终端的任意位置执行 argo 命令。若要验证 Argo Workflows 是否安装成功，请运行以下命令：

$ argo version

输出结果将显示已安装的版本号，表明一切正常。

运行示例应用程序

在本节中，我们将使用 Argo Workflows 部署一个带有简单 Python 应用程序的工作流。我们将首先定义构建步骤，然后创建一个工作流来部署和测试应用程序。我们将在本地 minikube 集群上完成所有这些工作，在本地计算机上运行以下命令即可：

$ minikube start

我们现在应该可以应用下面的 Kubernetes 清单文件，该文件将创建 Argo Workflows 所需的各种 Kubernetes 资源：

$ kubectl apply -n argo -f https://github.com/argoproj/argo-workflows/releases/download/v3.4.5/install.yaml

我们已经拥有了开始工作所需的一切，我们的集群现在已经拥有了：

• 创建和运行工作流所需的(CRD) 。

• 用于安全、受控地访问 Kubernetes 资源的 RBAC 。

• 负责执行工作流的 ConfigMap。

• 我们还设置了一个优先级类别 PriorityClass，以确保 Argo Workflow 控制器具有更高的优先级，并拥有在集群中运行所需的资源。

需要注意的是，Argo Workflows 将使用 YAML 文件定义 CI/CD 工作流程，并指定以下内容：

• 步骤：您可以添加各种构建步骤，可以是一个，也可以是多个。

• 依赖项：可以添加运行工作流程所需的任何依赖项。

• 参数：使您能够自定义工作流程的行为，您可以使用输入参数并将其传入以触发工作流程。为您提供所需的灵活性，并使其可重复使用。

既然已经了解了 Argo Workflows 的功能，我们就可以开始以代码的形式创建和管理我们的工作流了。让我们用三个步骤（deploying，teasing，and building）创建一个 Python 3 应用程序工作流。首先，在 app 目录下创建名为 python-app.yaml 的文件，并添加工作流定义：

apiVersion: argoproj.io/v1alpha1kind: Workflowmetadata:  name: python-appspec:  entrypoint: python-app  templates:  - name: python-app    steps:    - - name: build        template: build    - - name: test        template: test    - - name: deploy        template: deploy  - name: build    container:      image: python:3.11      command: [python]      args: ["-c", "print('build')"]  - name: test    container:      image: python:3.11      command: [python]      args: ["-m", "unittest", "discover", "-s", "/app/tests"]      volumeMounts:      - name: test-volume        mountPath: /app/tests    volumes:    - name: test-volume      hostPath:        path: /path/to/tests  - name: deploy    container:      image: python:3.11      command: [python]      args: ["-c", "print('deploy')"]

在这个例子中，Workflow CRD 定义了 CI/CD 流水线，模板中的每个步骤都有特定的目的：

• 构建步骤使用最新更改构建镜像，本演示使用的是 Python 3.11 镜像。

• 测试步骤挂载包含测试文件的卷，并使用 Python unittest 库运行单元测试。

• 部署步骤运行 Python 容器并打印部署。通常，这一步需要将测试代码推送到容器注册中心，如 AWS ECR 或 Harbor，然后部署到生产环境。

要应用该文件，可以使用 kubectl apply 命令，并在 -f 标志后加上 YAML 文件的路径。下面是一个命令示范：

$ kubectl apply -f python-app.yam

这将创建一个名称为 python-app 的 Argo Workflows，以及相应的模板和步骤。

现在，让我们执行 argo get 命令来获取有关工作流的信息，包括其状态和日志：

$ argo get python-appName:                python-appNamespace:           defaultServiceAccount:      unset (will run with the default ServiceAccount)Status:              SucceededConditions:           PodRunning          False Completed           TrueCreated:             Mon Mar 20 16:23:06 -0500 (37 seconds ago)Started:             Mon Mar 20 16:23:06 -0500 (37 seconds ago)Finished:            Mon Mar 20 16:23:36 -0500 (7 seconds ago)Duration:            30 secondsProgress:            3/3ResourcesDuration:   10s*(1 cpu),10s*(100Mi memory)
STEP           TEMPLATE    PODNAME                      DURATION  MESSAGE ✔ python-app  python-app                                            ├───✔ build   build       python-app-build-3831382643  4s           ├───✔ test    test        python-app-test-461837862    4s           └───✔ deploy  deploy      python-app-deploy-988129288  4s

Argo Workflows 的优势

Argo Workflows 是一款功能强大的工具，用于在容器化部署环境中管理和自动化复杂的工作流程。它具有多种优势，包括：

• 轻松进行版本控制，并以代码形式修改工作流程。

• 与 Argo Events 集成，可根据事件触发工作流程。

• 自动重试和错误处理，实现可靠、稳健的工作流执行。

• 与 Kubernetes 和其他容器协调平台无缝集成。

• 支持并行和顺序工作流，从而实现更快、更高效的执行。

• 广泛的监控和日志功能，包括与 Prometheus 和 Grafana 的集成。

结论

总之，如果您的 DevOps 团队希望简化复杂的容器化工作流程的管理和自动化，那么 Argo Workflows 是一款必不可少的工具。不过，在考虑是否使用它时，您应该先评估好团队的云端和 Kubernetes 经验、规模及增长目标。如果您正在 Kubernetes 上构建平台，Argo Workflows 也可以成为平台工程师构建抽象的好工具，从而缓解开发团队在维护 YAML 文件上的痛苦。

作为一款基于平台工程理念构建的应用部署管理平台，Walrus 已在最新版本中集成 Argo Workflows 作为工作流引擎，借助 Argo Workflows 自动化特性，用户可以在 Walrus 上实现一站式应用编排发布。另外，Walrus 中单一配置、多态运行的应用模型，可以让研发人员无需关注底层基础设施具体实现方式，实现了研发与运维关注点分离和自动化协作，进而屏蔽各类环境中基础设施的复杂度，降低研发人员的认知负担，进一步落地平台工程理念。

更多 Walrus 项目信息请参考：https://github.com/seal-io/walrus