Terraform Provider for AzureRM:解决Marketplace镜像部署VM时的Plan报错问题
问题背景
在使用Terraform Provider for AzureRM部署基于Azure Marketplace镜像的虚拟机时,开发者可能会遇到一个常见错误:"Creating a virtual machine from Marketplace image requires Plan information in the request"。这个错误表明Azure平台要求为Marketplace镜像提供额外的Plan信息,但开发者已经按照文档配置了plan块却仍然报错。
问题分析
从错误日志可以看出,系统明确提示需要为Marketplace镜像提供Plan信息。Plan是Azure Marketplace中第三方镜像的授权协议,包含三个关键元素:publisher(发布者)、product(产品名称)和name(SKU名称)。当使用这些镜像创建VM时,必须接受相关条款并指定正确的Plan信息。
在提供的配置中,开发者已经为rocky-8-lvm镜像配置了plan块,但系统仍然报错。经过仔细检查,发现配置中存在几个潜在问题:
- 资源定义逻辑存在问题:同时创建了两个VM资源(vm_rocky和vm),但条件判断不够严谨
- 变量传递可能存在问题:os_distribution变量的值可能被错误解析
- 镜像信息可能不完整:plan块中的信息需要与source_image_reference完全匹配
解决方案
1. 确保Plan信息完整准确
Plan块必须包含三个必要字段,且必须与source_image_reference中的对应字段完全一致:
plan {
publisher = "resf" # 必须与source_image_reference中的publisher一致
product = "rockylinux-x86_64" # 必须与source_image_reference中的offer一致
name = "8-lvm" # 必须与source_image_reference中的sku一致
}
2. 简化资源定义逻辑
原配置中使用了两个独立的VM资源定义(vm_rocky和vm),并通过条件判断选择使用哪个。这种设计容易导致逻辑混乱,建议简化为单一资源定义:
resource "azurerm_linux_virtual_machine" "vm" {
# 公共配置...
dynamic "plan" {
for_each = contains(["rocky-8-lvm", "rocky-9-lvm"], var.os_distribution) ? [1] : []
content {
publisher = local.image_map[var.os_distribution].image_publisher
product = local.image_map[var.os_distribution].image_offer
name = local.image_map[var.os_distribution].image_sku
}
}
source_image_reference {
publisher = local.image_map[var.os_distribution].image_publisher
offer = local.image_map[var.os_distribution].image_offer
sku = local.image_map[var.os_distribution].image_sku
version = var.image_version
}
}
3. 验证Marketplace协议
即使正确配置了Plan信息,还需要确保订阅已接受相关Marketplace镜像的使用条款。可以通过Azure CLI验证:
az vm image terms show --publisher resf --offer rockylinux-x86_64 --plan 8-lvm
如果尚未接受条款,需要使用以下命令接受:
az vm image terms accept --publisher resf --offer rockylinux-x86_64 --plan 8-lvm
最佳实践建议
- 统一资源定义:避免使用多个相似的资源定义,改用dynamic块处理不同情况
- 完善变量验证:为os_distribution变量添加验证,确保只传递有效值
- 模块化设计:将VM创建逻辑封装为模块,提高复用性
- 状态管理:定期执行terraform plan检测配置漂移
- 错误处理:为关键资源配置合理的timeout设置
总结
在使用Terraform部署Azure Marketplace镜像时,正确处理Plan信息是关键。开发者需要确保:
- Plan块信息完整且与镜像引用一致
- 已接受相关Marketplace条款
- 资源定义逻辑清晰简洁
- 配置验证机制完善
通过以上措施,可以有效避免"Plan information required"错误,确保虚拟机部署流程顺利完成。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
Kimi-K2-ThinkingKimi-K2-Thinking是最新开源思维模型,作为能动态调用工具的推理代理,通过深度多步推理和稳定工具调用(200-300次连续调用),在HLE、BrowseComp等基准测试中刷新纪录。原生INT4量化模型,256k上下文窗口,实现推理延迟和GPU内存使用的无损降低,支持自主研究、编码和写作等工作流。【此简介由AI生成】Python00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00