关于开源:运用-Argo-Workflows-协调-CICD-流水线

3次阅读

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。

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。

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。

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。

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。

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 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。

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

正文完