Eclipse Che 在 Kubernetes 中通过 Helm 安装失败的解决方案
问题背景
在使用 Helm Chart 安装 Eclipse Che 时,很多用户会遇到 Operator 启动失败的问题,表现为 Pod 状态变为 CrashLoopBackOff。通过分析日志可以发现,主要错误信息是找不到 DevWorkspaceOperator 相关的 CRD 资源。
错误现象
当用户执行以下 Helm 命令安装 Eclipse Che 后:
helm install my-eclipse-che eclipse-che/eclipse-che --version 7.83.0 -n eclipse-che
Operator Pod 会持续重启,查看日志会发现如下关键错误:
no matches for kind "DevWorkspaceRouting" in version "controller.devfile.io/v1alpha1"
no matches for kind "DevWorkspaceOperatorConfig" in version "controller.devfile.io/v1alpha1"
问题原因
Eclipse Che 7.x 版本依赖于 DevWorkspace Operator (DWO) 来管理工作区。当通过 Helm Chart 安装时,默认不会自动安装这个依赖组件,导致 Che Operator 无法找到所需的 CRD 而启动失败。
解决方案
1. 手动安装 DevWorkspace Operator
在执行 Helm 安装 Eclipse Che 之前,需要先安装 DevWorkspace Operator:
kubectl apply -f https://raw.githubusercontent.com/devfile/devworkspace-operator/v0.26.0/deploy/deployment/kubernetes/combined.yaml
这个 YAML 文件包含了 DWO 所需的所有资源定义,包括 CRD、RBAC 配置和 Operator 部署。
2. 验证 DWO 安装
安装完成后,可以通过以下命令验证 DWO 是否正常运行:
kubectl get pods -n devworkspace-controller
应该能看到 devworkspace-controller 相关的 Pod 处于 Running 状态。
3. 安装 Eclipse Che
确认 DWO 正常运行后,再执行 Helm 安装命令:
helm install my-eclipse-che eclipse-che/eclipse-che --version 7.83.0 -n eclipse-che
补充说明
-
版本兼容性:确保 DevWorkspace Operator 的版本与 Eclipse Che 版本兼容。对于 Che 7.83.0,推荐使用 DWO v0.26.0。
-
安装顺序:必须先安装 DWO,再安装 Eclipse Che,否则 Che Operator 会因为找不到依赖资源而启动失败。
-
命名空间:DWO 默认安装在 devworkspace-controller 命名空间,而 Eclipse Che 安装在 eclipse-che 命名空间,两者可以共存。
总结
通过预先安装 DevWorkspace Operator 解决了 Helm 安装 Eclipse Che 时的依赖问题。这种显式管理依赖的方式虽然增加了安装步骤,但提供了更好的可控性和灵活性,特别适合生产环境部署。对于开发测试环境,也可以考虑使用 chectl 工具,它会自动处理这些依赖关系。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0134
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00