TuGraph Analytics 云原生部署:基于 K8S Operator 的轻量级作业启动方案
作者:丁一
背景
TuGraph Analytics 作业可以通过 Console 提交部署到 K8S 集群,但 Console 是一个独立的 Web 系统,部署形态上相对较重。在平台工具系统接入或大数据生态集成场景中,需要更轻量级的快速接入 TuGraph Analytics 的方案。
我们新增了模块 geaflow-kubernetes-operator,可以通过更轻量级的 YAML 文件配置方式,对 TuGraph Analytics 作业进行描述配置。同时更方便地监控和管理集群下的所有 TuGraph Analytics 作业,并通过 CR(Custom Resource)的创建/修改/删除来管理作业的生命周期和元信息,可以实现只通过 kubectl 命令实现任务操纵。我们也提供了一个实时 dashboard 页面,可以方便地白屏化查看所有作业状态和信息。
部署 K8S Operator
TuGraph Analytics 提供了 geaflow-kubernetes-operator 模块,可通过 Helm 命令一键部署到 K8S。部署完成中,会向 K8S 集群注册一个名为 geaflowjob 的自定义资源。(相对于 K8S 内置 pod、service、deployment 等系统资源而言)安装完成后,我们只需要编写一个 CR 的 YAML 配置文件提交给 K8S,就可以自动拉起作业了。
执行以下命令构建 Operator 镜像,项目代码构建要求 JDK11 版本,因此需要单独切换 JDK 版本编译构建。
进入项目目录 geaflow-kubernetes-operator 下,通过 Helm 一键安装 operator。
在 K8S Dashboard 中查看 pod 是否正常运行。
提交作业
K8S Operator 成功部署并运行后,就可以编写 CR 的 YAML 文件进行作业提交了。
这里使用项目内置示例作业举例,其 YAML 文件格式如下:
K8S 环境上的作业强依赖于 Redis 组件,若你已经部署了 Redis,则可以在 geaflow-example.yaml 中提供 Redis 主机和端口号。你也可以通过 Docker 快速启动一个本地 Redis 服务,默认地址 host.minikube.internal 可直接访问。
提交 API 任务
对于提交 HLA 任务的情况,需要额外注意以下几个参数:
spec.entryClass:必填。
spec.udfJars:选填,一般填写 API 任务的 JAR 文件的 url 地址。
提交 DSL 任务
对于提交 DSL 任务的情况,需要额外注意以下几个参数:
spec.entryClass:不填,留空(用于区分是 API 作业还是 DSL 作业)。
spec.gqlFile:必填,请填写自己文件的名称和 url 地址。
spec.udfJars:选填,如需 UDF 的话,请填写 UDF JAR 文件的 url 地址。
关于 DSL 任务和 HLA 任务的更多参数,我们在项目目录 geaflow-kubernetes-operator/example 目录中准备了两个 demo 作业供大家参考,请分别参考项目中的示例文件:
example/example-dsl.yml
example/example-hla.yml。
查看作业状态
可以访问 K8S Dashboard 查看 pod 是否被拉起,执行以下命令可以查看 CR 的状态是否已经正常运行。
若在提交过程中失败,则状态会变为 FAILED。若需定位原因,可通过以下命令查看。
查看集群状态
Operator 自带一个前端页面,可以展示集群的基本信息、所有作业的状态、错误信息、以及完整的配置,并做了分类统计。可以通过访问 Operator 的 service 或者 pod 的 8089 端口来打开页面。
备注:
在 minikube 环境中,需要通过 portforward 将 Operator 的 pod 代理到本地端口(默认为 8089 端口),请将 operator-pod-name 替换为实际的 operator pod 名称,然后通过浏览器访问 localhost:8089 即可打开页面。
至此,我们完成了 TuGraph Analytics 作业的轻量级提交和运行!是不是超简单!快来试一试吧!
GeaFlow(品牌名 TuGraph-Analytics) 已正式开源,欢迎大家关注!!!
欢迎给我们 Star 哦! GitHub👉 https://github.com/TuGraph-family/tugraph-analytics
更多精彩内容,关注我们的博客 https://geaflow.github.io/
评论