n8n-autoscaling 的安装和配置教程
2025-05-17 08:58:25作者:宗隆裙
项目基础介绍
n8n-autoscaling 是一个基于 Docker 的自动扩展解决方案,专为 n8n 工作流自动化平台设计。该系统可以根据 Redis 队列长度动态调整 n8n 工作节点容器的数量,无需涉及 Kubernetes 或其他容器扩展服务。它通过一个简单的脚本实现所有功能,并且易于配置。该项目主要用于自动化任务处理,特别是对于需要处理大量并发任务的工作流。
主要编程语言
该项目主要使用 Python 编程语言,同时使用了 Dockerfile 来定义容器镜像。
项目使用的关键技术和框架
- Docker: 用于容器化应用,提供一致的开发和部署环境。
- Docker Compose: 用于定义和运行多容器 Docker 应用。
- Redis: 作为任务队列的存储系统,用于管理任务和监控队列长度。
- n8n: 一个工作流自动化工具,可以连接各种工具和服务的节点,实现自动化的任务流程。
准备工作
在开始安装 n8n-autoscaling 之前,确保您的系统已经安装以下软件:
- Docker
- Docker Compose
对于 Docker 的安装,如果是 Ubuntu 用户,可以使用方便的 Docker 安装脚本。而对于其他操作系统,推荐使用 Docker Desktop。
安装步骤
-
克隆仓库 将项目仓库克隆到本地文件夹中:
git clone https://github.com/conor-is-my-name/n8n-autoscaling.git cd n8n-autoscaling -
配置环境变量 将
.env.example文件重命名为.env并在文件中设置您的环境变量。确保更改默认密码和令牌以提高安全性。 -
创建 Docker 网络 执行以下命令创建 Docker 网络:
docker network create shark -
启动服务 使用以下命令启动所有服务:
docker-compose up -d这将启动 n8n 工作流引擎、Redis 队列和自动扩展服务。
-
配置 n8n 确保 n8n 环境变量已正确设置,以下变量需要在 n8n 环境中配置:
EXECUTIONS_MODE=queue QUEUE_BULL_REDIS_HOST=redis QUEUE_HEALTH_CHECK_ACTIVE=true -
调整自动扩展配置 在
docker-compose.yml文件中,可以调整以下变量来配置自动扩展的行为:MIN_REPLICAS=1 MAX_REPLICAS=5 SCALE_UP_QUEUE_THRESHOLD=5 SCALE_DOWN_QUEUE_THRESHOLD=2 POLLING_INTERVAL_SECONDS=30 COOLDOWN_PERIOD_SECONDS=180 -
监控和故障排除
- 检查容器日志:
docker-compose logs [service] - 验证 Redis 连接:
docker-compose exec redis redis-cli ping - 检查队列长度:
docker-compose exec redis redis-cli LLEN bull:jobs:wait
- 检查容器日志:
按照以上步骤操作,您应该能够成功安装和配置 n8n-autoscaling。如果遇到任何问题,可以查看项目的文档和日志信息进行故障排除。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
683
1.33 K
Ascend Extension for PyTorch
Python
719
880
deepin linux kernel
C
32
16
openEuler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。
C
457
439
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
305
118
昇腾LLM分布式训练框架
Python
178
221