在Grafana Tanka中部署Kong Ingress Controller的挑战与解决方案
背景介绍
Grafana Tanka是一个基于Jsonnet的Kubernetes配置管理工具,它允许开发者以声明式的方式管理Kubernetes资源。在实际使用中,用户经常需要通过Tanka来部署各种Helm chart,其中就包括流行的Kong Ingress Controller。
问题描述
当尝试通过Tanka部署Kong Ingress Controller时,用户遇到了一个典型的技术挑战。Kong官方提供的Helm chart实际上是一个"umbrella chart"(伞形图表),它会同时部署Ingress Controller和API Gateway两个组件。这种设计导致了CRD(Custom Resource Definition)资源的重复生成问题。
具体表现为:
- 当设置
includeCRDs: false
时,Kong无法正确安装,因为缺少必要的CRD定义 - 当设置
includeCRDs: true
时,Tanka会报错,因为相同的CRD被生成了两次
技术分析
这个问题的根源在于Kong Helm chart的设计架构。该chart实际上会调用"kong"子chart两次:
- 第一次调用用于部署Ingress Controller
- 第二次调用用于部署API Gateway
每次调用都会生成相同的CRD资源,而Tanka的默认行为是不允许资源重复定义,这是为了防止配置歧义和潜在的错误。例如,如果有两个Deployment定义,一个设置replicas:1
,另一个设置replicas:10
,Tanka无法自动决定应该采用哪个值。
解决方案
经过技术验证,目前有三种可行的解决方案:
方案一:直接使用kong子chart
放弃使用umbrella chart,改为直接调用kong子chart两次,分别配置Controller和Gateway组件。这种方案的优势是完全可控,但缺点是如果上游chart发生变化,可能需要手动调整。
方案二:分两次调用umbrella chart
通过两次调用umbrella chart,每次只启用一个组件(Controller或Gateway),并只在其中一次调用中包含CRD。这种方法保持了与上游chart的兼容性,但代码看起来有些冗余。
方案三:修改Tanka行为(不推荐)
理论上可以修改Tanka使其允许资源重复,但这会破坏Tanka的设计原则,可能导致其他潜在问题,因此不推荐使用。
最佳实践
基于上述分析,推荐采用方案二作为最佳实践。具体实现代码如下:
local tanka = import 'github.com/grafana/jsonnet-libs/tanka-util/main.libsonnet';
local helm = tanka.helm.new(std.thisFile);
{
_config:: {
ns: 'kong',
},
kong_ingress_controller: helm.template('kong', './charts/ingress/', {
namespace: $._config.ns,
includeCRDs: true,
values+: {
gateway+: { enabled: false },
},
}),
kong_ingress_gateway: helm.template('kong', './charts/ingress/', {
namespace: $._config.ns,
includeCRDs: false,
values+: {
controller+: { enabled: false },
},
}),
kong_namespace: {
apiVersion: 'v1',
kind: 'Namespace',
metadata: {
name: $._config.ns,
},
},
}
这种实现方式:
- 保持了与上游chart的兼容性
- 通过values配置明确区分了Controller和Gateway的部署
- 只在Controller部署中包含CRD定义
- 保持了Tanka的声明式特性
总结
在使用Tanka部署复杂Helm chart时,特别是那些采用umbrella设计的chart时,可能会遇到资源重复定义的问题。通过理解chart的内部结构和Tanka的设计原则,我们可以找到既保持上游兼容性又符合Tanka最佳实践的解决方案。对于Kong Ingress Controller的部署,推荐采用分两次调用umbrella chart的方案,这既解决了CRD重复的问题,又保持了配置的清晰性和可维护性。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
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).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









