Harvester项目中Rancher UI嵌入页面加载失败问题分析
问题现象
在Harvester 1.4.1和1.4.2版本中,当用户通过嵌入式Rancher UI访问应用图表页面时,页面无法正常加载,控制台会报出"e.getFeaturedCharts is undefined"或"无法读取未定义的属性'length'"的错误。这个问题影响了用户通过UI界面搜索和安装Helm图表的功能。
技术背景
Harvester是一个基于Kubernetes构建的开源超融合基础设施(HCI)解决方案,它集成了Rancher的管理功能。在Harvester中,Rancher UI是以嵌入式方式运行的,为用户提供集群管理能力。应用图表页面是Rancher UI中用于管理Helm图表的核心功能界面,允许用户浏览、搜索和安装各种应用。
问题根源
经过分析,这个问题源于Harvester嵌入式Rancher UI中的前端代码逻辑缺陷。当页面尝试加载特色图表列表时,代码假设存在一个getFeaturedCharts方法,但实际上该方法未被正确定义或初始化。这导致JavaScript运行时错误,进而中断了整个页面的渲染过程。
值得注意的是,不同浏览器会显示不同的错误信息:
- Firefox浏览器通常会显示"e.getFeaturedCharts is undefined"
- Chrome浏览器则倾向于显示"无法读取未定义的属性'length'"
这种差异是由于不同浏览器对JavaScript错误的处理和报告方式不同所致,但根本原因是相同的。
影响范围
该问题主要影响以下环境:
- Harvester 1.4.1和1.4.2版本
- 嵌入式Rancher UI(版本2.9.3)
- 无论集群是否被上游Rancher管理都会出现此问题
临时解决方案
虽然官方已修复此问题,但在等待更新发布期间,用户可以采用以下方法绕过此限制:
-
直接构造特定Helm图表的安装URL,格式为:
/dashboard/c/local/apps/charts/chart?repo-type=cluster&repo=REPO_NAME&chart=CHART_NAME&version=VERSION -
例如,要安装ceph-rbd CSI驱动,可以使用:
/dashboard/c/local/apps/charts/chart?repo-type=cluster&repo=ceph-csi&chart=ceph-csi-rbd&version=3.14.0
问题修复
该问题已在后续版本中得到修复。修复方案主要涉及前端代码中对特色图表加载逻辑的改进,确保在相关方法不存在时能够优雅降级,而不是导致整个页面崩溃。
最佳实践建议
对于使用Harvester的管理员,建议:
- 定期关注Harvester的版本更新,及时升级到已修复此问题的版本
- 在测试环境中验证新版本后再在生产环境部署
- 对于关键业务所需的Helm图表,考虑预先测试通过直接URL访问的方式是否可行
- 保持对Harvester社区动态的关注,及时获取类似问题的解决方案
通过理解这个问题的本质和解决方案,用户可以更好地管理他们的Harvester环境,确保应用部署流程的顺畅。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00