如何可视化编写和编排你的 K8s 任务

2022/8/13 23:29:00

编程Tag： 可视化 name 任务 python job k8s 编排 SchedulerX

本文主要是介绍如何可视化编写和编排你的 K8s 任务，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

作者：学仁

简介

K8s Job 是 Kubernetes 中的一种资源，用来处理短周期的 Pod，相当于一次性任务，跑完就会把 Pod 销毁，不会一直占用资源，可以节省成本，提高资源利用率

阿里任务调度 SchedulerX 和云原生结合，重磅推出可视化 K8s 任务，针对脚本使用者，屏蔽了容器服务的细节，不用构建镜像就可以让不熟悉容器的同学（比如运维和运营同学）玩转K8s Job，受益容器服务带来的降本增效福利。针对容器使用者，SchedulerX 不但完全兼容原生的 K8s Job，还能支持历史执行记录、日志服务、重跑任务、报警监控、可视化任务编排等能力，为企业级应用保驾护航。架构图如下：

特性一：快速开发 K8s 可视化脚本任务

Kubernetes 的 Job，常见用来做离线数据处理和运维工作（比如每天凌晨 2 点把 mysql 数据同步到大数据平台，每隔 1 小时更新一次 redis 缓存等），一般以脚本实现居多。这里以一个简单的场景举例子，来对比两种方案的差异。

Kubernetes 原生解决方案

K8s 调度的最小单位是 Pod，想跑脚本任务，需要提前把脚本打包到镜像里，然后在 YAML 文件中配置脚本命令，下面以通过 python 脚本查询数据库为例子：

编写 python 脚本 demo.py

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import MySQLdb

# 打开数据库连接
db = MySQLdb.connect("localhost", "testuser", "test123", "TESTDB", charset='utf8' )

# 使用cursor()方法获取操作游标 
cursor = db.cursor()

# SQL 查询语句
sql = "SELECT * FROM EMPLOYEE \
WHERE INCOME > %s" % (1000)
try:
    # 执行SQL语句
    cursor.execute(sql)
    # 获取所有记录列表
    results = cursor.fetchall()
    for row in results:
        fname = row[0]
        lname = row[1]
        age = row[2]
        sex = row[3]
        income = row[4]
        # 打印结果
        print "fname=%s,lname=%s,age=%s,sex=%s,income=%s" % \
        (fname, lname, age, sex, income )
        except:
            print "Error: unable to fetch data"
            
            # 关闭数据库连接
db.close()

编写 Dockerfile

FROM python:3

WORKDIR /usr/src/app

COPY requirements.txt ./
RUN pip install --no-cache-dir -r requirements.txt

COPY demo.py /root/demo.py

CMD [ "python", "/root/demo.py" ]

制作 docker 镜像，推到镜像仓库中

docker build -t registry.cn-beijing.aliyuncs.com/demo/python:1.0.0 .
docker push registry.cn-beijing.aliyuncs.com/demo/python:1.0.0

编写 K8s Job 的 YAML 文件，image 选择第 3 步制作的镜像，command 的命令为执行脚本

apiVersion: batch/v1
kind: Job
metadata:
  name: demo-python
spec:
  template:
    spec:
      containers:
      - name: demo-python
        image: registry.cn-beijing.aliyuncs.com/demo/python:1.0.0
        command: ["python",  "/root/demo.py"]
      restartPolicy: Never
  backoffLimit: 4

我们看到要在容器服务中跑脚本，需要这么多步骤，如果要修改脚本，还需要重新构建镜像和重新发布 K8s Job，非常麻烦。

阿里云解决方案

阿里任务调度 SchedulerX 结合云原生技术，提出了一套可视化的脚本任务解决方案，通过任务调度系统来管理脚本，直接在线编写脚本，不需要构建镜像，就可以将脚本以 Pod 的方式在用户的 K8s 集群当中运行起来，使用非常方便，如下图：

在 SchedulerX 任务管理新建一个 K8s 任务，资源类型选择 Python-Script（当前支持shell/python/php/nodejs 四种脚本类型）

2. 点击运行一次，在 Kubernetes 集群中可以看到 pod 启动，pod 名称为 schedulerx-python-{JobId}

在 SchedulerX 控制台也可以看到历史执行记录

在 SchedulerX 控制台可以看到 Pod 运行的日志

下面通过一个表格更方便的看到两个方案的差异：

特性二：完全兼容原生 K8s Job

SchedulerX 不但能够快速开发 K8s 脚本任务，屏蔽容器服务的细节，给不熟悉容器服务的同学带来福音，同时还能托管原生 K8s Job。

原生自带的Job方案

Job

以官方提供的 Job 为例：

编写 YAML 文件 pi.yaml，故意写一个错误，bpi(-1)是非法的

apiVersion: batch/v1
kind: Job
metadata:
  name: pi
spec:
  template:
    spec:
      containers:
      - name: pi
        image: perl:5.34
        command: ["perl",  "-Mbignum=bpi", "-wle", "print bpi(-1)"]
      restartPolicy: Never
  backoffLimit: 4

在 K8s 集群中运行该 Job，并查看 Pod 的状态和日志：

K8s 原生的 Job 不支持重跑，修改完 Job 后想要重跑，需要先删除，再重新 apply，非常麻烦。

CronJob

以官方提供的 CronJob 为例：

编写 hello.yaml

apiVersion: batch/v1
kind: CronJob
metadata:
  name: hello
spec:
  schedule: "* * * * *"
  jobTemplate:
    spec:
      template:
        spec:
          containers:
          - name: hello
            image: perl:5.34
            command: ["perl",  "-Mbignum=bpi", "-wle", "print bpi(100)"]
          restartPolicy: OnFailure

在 K8s 集群中运行该 CronJob，查看 pod 历史记录和日志

发现原生的 CronJob 只能查看最近3条执行记录，想要查看更久之前的记录无法看到，这在业务出现问题想排查的时候就变得尤为困难。

阿里云解决方案

阿里任务调度 SchedulerX 可以托管原生 K8s 任务，方便移植，使用 SchedulerX 托管，可以享有任务调度的特性，比如任务重跑、历史记录、日志服务、报警监控等。

新建 K8s 任务，任务类型选择 K8s，资源类型选择 Job-YAML，打印 bpi(-1)

通过工具来生成 cron 表达式，比如每小时第 8 分钟跑

调度时间还没到，也可以手动点击“运行一次”来进行测试

在 K8s 集群中可以看到 Job 和 Pod 启动成功

在 SchedulerX 控制台也可以看到历史执行记录

在 SchedulerX 控制台可以看到任务运行日志

在线修改任务的 YAML，打印 bpi(100)

不需要删除 Job，通过控制台来重跑任务

任务重跑成功，且能看到新的日志

下面通过一个表格来对比两个方案的差异

特性三：增强原生 Job，支持可视化任务编排

在数据处理场景下，任务之间往往有依赖关系，比如 A 任务依赖 B 任务的完成才能开始执行。

Kubernetes 原生解决方案

当前 K8s 中主流的解决方案是使用 argo 进行工作流编排，比如定义一个 DAG 如下：

# The following workflow executes a diamond workflow
# 
#   A
#  / \
# B   C
#  \ /
#   D
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
        depends: "A"
        template: echo
        arguments:
          parameters: [{name: message, value: B}]
      - name: C
        depends: "A"
        template: echo
        arguments:
          parameters: [{name: message, value: C}]
      - name: D
        depends: "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}}"]

我们看到构建这么简单的一个 DAG，就需要写这么多 YAML，如果依赖关系复杂，则 YAML 就变得非常难维护。