共计 4421 个字符，预计需要花费 12 分钟才能阅读完成。
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）的模式实现，使开发人员可能创立自定义 API 对象，以兼容的形式扩大 Kubernetes 的性能。
抉择 Argo Workflows 的起因
Argo Workflows 旨在 运行于 Kubernetes 之上，而非虚拟机或云服务等其余平台。让咱们用一分钟工夫来强调一下应用 Kubernetes 作为 Argo Workflows 运行平台的长处和毛病。
Argo Workflows 是以 Kubernetes 自定义资源定义（CRD）的模式实现的，它使你可能：
- 为工作流中的每个步骤应用 独自的容器 来定义 Kubernetes 工作流。
- 应用有向无环图 (DAG) 建设工作流模型，捕获多个步骤之间的依赖关系。
- 疾速轻松地运行计算密集型数据处理或机器学习工作。
- 无需配置简单的利用程序开发解决方案，即可在 Kubernetes 上以本地形式运行 CI/CD 流水线。
应用 Argo Workflows 进行 CI/CD
如果您有以下需要，Argo Workflows 将满足您的需要：
- 灵活处理容器解体和故障。
- 可 同时 治理大量工作流的主动扩大选项。
- 全面的企业性能，如基于角色的访问控制（RBAC）和单点登录（SSO）。
但若呈现以下状况，您则可能须要防止应用 Argo Workflows：
- 随着工作流数量和基础设施需要的增长，YAML 文件维护的复杂性可能会减少，只管 Argo 提供了治理这方面的技巧和模板性能。
- 您的团队没有容器和 Kubernetes 方面的教训。
- 您须要保护残缺的企业设置，这波及到治理大量的配置选项。
理解 Argo Workflows 的要害组成部分
Argo Workflows 的外围概念包含定义和存储实时的 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，它蕴含一个模板列表和一个作为次要性能或第一个要执行的模板的 entrypoint。
模板被定义为函数，能够有多种类型，如 containers, script或 resource templates。
容器模板是最罕用的模板。脚本模板容许定义脚本，而后执行脚本。资源模板可解决申请，而暂停模板可在规定工夫内暂停工作流程的执行，并可应用 Argo UI 复原执行。模板自身应用嵌套列表顺次或并行运行，可依据不同设置进行自定义。
装置
为了开始装置，咱们须要在机器上下载 Argo Workflows 二进制文件并保留：
$ curl -sLO https://github.com/argoproj/argo-workflows/releases/download/v3.4.5/argo-darwin-amd64.gz
接下来，咱们须要解压从上述命令下载的文件：
$ gunzip argo-darwin-amd64.gz
实现所有步骤后，咱们须要批改该文件的权限，使其能够作为程序运行。这样就能够间接从命令行执行 argo 命令：
$ chmod +x argo-darwin-amd64
实现上述操作后，咱们须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
这样就能够在终端的任意地位执行 argo 命令。若要验证 Argo Workflows 是否装置胜利，请运行以下命令：
$ argo version
输入后果将显示已装置的版本号，表明一切正常。
运行示例应用程序
在本节中，咱们将应用 Argo Workflows 部署一个带有简略 Python 应用程序的工作流。咱们将首先定义构建步骤，而后创立一个工作流来部署和测试应用程序。咱们将在本地 minikube 集群上实现所有这些工作，在本地计算机上运行以下命令即可：
$ minikube start
咱们当初应该能够利用上面的 Kubernetes 清单文件，该文件将创立 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
咱们曾经领有了开始工作所需的所有，咱们的集群当初曾经领有了：
- 创立和运行工作流所需的(
CRD)。 - 用于平安、受控地拜访 Kubernetes 资源的
RBAC。 - 负责执行工作流的
ConfigMap。 - 咱们还设置了一个优先级类别
PriorityClass，以确保Argo Workflow控制器具备更高的优先级，并领有在集群中运行所需的资源。
须要留神的是，Argo Workflows 将应用 YAML 文件定义 CI/CD 工作流程，并指定以下内容：
- 步骤：您能够增加各种构建步骤，能够是一个，也能够是多个。
- 依赖项：能够增加运行工作流程所需的任何依赖项。
- 参数：使您可能自定义工作流程的行为，您能够应用输出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。
既然曾经理解了 Argo Workflows 的性能，咱们就能够开始以代码的模式创立和治理咱们的工作流了。让咱们用三个步骤（deploying，teasing，and building）创立一个 Python 3 应用程序工作流。首先，在 app 目录下创立名为 python-app.yaml 的文件，并增加工作流定义：
apiVersion: argoproj.io/v1alpha1
kind: Workflow
metadata:
name: python-app
spec:
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:
args: ["-c", "print('build')"]
- name: test
container:
image: python:3.11
command:
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:
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标：
- 构建步骤应用 最新更改构建镜像，本演示应用的是 Python 3.11 镜像。
- 测试步骤挂载蕴含测试文件的卷，并应用 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，这一步须要将测试代码推送到容器注册核心，如 AWS ECR 或 Harbor，而后部署到生产环境。
要利用该文件，能够应用 kubectl apply 命令，并在 -f 标记后加上 YAML 文件的门路。上面是一个命令示范：
$ kubectl apply -f python-app.yaml
这将创立一个名称为 python-app 的 Argo Workflows，以及相应的模板和步骤。
当初，让咱们执行 argo get 命令来获取无关工作流的信息，包含其状态和日志：
$ argo get python-app
Name: python-app
Namespace: default
ServiceAccount: unset (will run with the default ServiceAccount)
Status: Succeeded
Conditions:
PodRunning False
Completed True
Created: 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 seconds
Progress: 3/3
ResourcesDuration: 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 的劣势
Argo Workflows 是一款功能强大的工具，用于在容器化部署环境中治理和自动化简单的工作流程。它具备多种劣势，包含：
- 轻松进行版本控制，并以代码模式批改工作流程。
- 与 Argo Events 集成，可依据事件触发工作流程。
- 主动重试和错误处理，实现牢靠、持重的工作流执行。
- 与 Kubernetes 和其余容器协调平台无缝集成。
- 反对并行和程序工作流，从而实现更快、更高效的执行。
- 宽泛的监控和日志性能，包含与 Prometheus 和 Grafana 的集成。
论断
总之，如果您的 DevOps 团队心愿简化简单的容器化工作流程的治理和自动化，那么 Argo Workflows 是一款必不可少的工具。不过，在思考是否应用它时，您应该先评估好团队的云端和 Kubernetes 教训、规模及增长指标。如果您正在 Kubernetes 上构建平台，Argo Workflows 也能够成为平台工程师构建形象的好工具，从而缓解开发团队在保护 YAML 文件上的苦楚。
作为一款基于平台工程理念构建的利用部署治理平台，Walrus 已在最新版本中集成 Argo Workflows 作为工作流引擎，借助 Argo Workflows 自动化个性，用户能够在 Walrus 上实现一站式利用编排公布。另外，Walrus 中繁多配置、多态运行的利用模型，能够让研发人员无需关注底层基础设施具体实现形式，实现了研发与运维关注点拆散和自动化合作，进而屏蔽各类环境中基础设施的复杂度，升高研发人员的认知累赘，进一步落地平台工程理念。
更多 Walrus 我的项目信息请参考：https://github.com/seal-io/walrus
