如何可视化编写和编排你的 K8s 任务

来源：恒创科技编辑：恒创科技编辑部

2022-08-16 14:23:54

简介：通过任务调度 SchedulerX 来调度你的 K8s 任务，能够降低学习成本，加快开发效率，让你的任务失败可报警，出问题可排查，打造云原生可观测体系下的可视化 K8s 任务。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，封禁了容器服务的细节，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）

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}

3. 在 SchedulerX 控制台也可以看到历史执行记录

4. 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，封禁容器服务的细节，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： 1. 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 2. 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： 1. 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 2. 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。 1. 新建 K8s 任务，任务类型选择 K8s，资源类型选择 Job-YAML，打印 bpi(-1)

2. 通过工具来生成 cron 表达式，比如每小时第 8 分钟跑

3. 调度时间还没到，也可以手动点击“运行一次”来进行测试

4. 在 K8s 集群中可以看到 Job 和 Pod 启动成功

5. 在 SchedulerX 控制台也可以看到历史执行记录

6. 在 SchedulerX 控制台可以看到任务运行日志

7. 在线修改任务的 YAML，打印 bpi(100)

8. 不需要删除 Job，通过控制台来重跑任务

9. 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: 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}]

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。阿里云解决方案阿里任务调度 SchedulerX 支持通过可视化的工作流进行任务编排 1. 创建一个工作流，可以导入任务，也可以在当前画布新建任务，通过拖拽构建一个工作流

2. 点击运行一次，可以实时看到工作流的运行情况，方便排查任务卡在哪个环节：

3. 如果有任务失败了，通过控制台查看日志

4. 把任务修改正确，在工作流实例图上，原地重跑失败的节点

5. 失败的任务会重新按照最新的内容执行

6. 当上游都执行成功，下游就可以继续执行了

总结通过任务调度 SchedulerX 来调度你的 K8s 任务，能够降低学习成本，加快开发效率，让你的任务失败可报警，出问题可排查，打造云原生可观测体系下的可视化 K8s 任务。原文链接：https://click.aliyun.com/m/10... 本文为阿里云原创内容，未经允许不得转载。