Wanderlust旅游应用在Kubernetes上的完整部署指南
项目概述
Wanderlust是一个旅游相关的应用程序,本文将详细介绍如何在Kubernetes集群上部署这个应用。通过本教程,您将学习到从环境准备到应用部署的完整流程,包括Docker镜像构建、Kubernetes资源配置以及应用调试等关键步骤。
环境准备
在开始部署前,需要确保具备以下环境条件:
-
AWS EC2实例:需要2台Ubuntu系统的EC2实例,建议配置为:
- 实例类型:t2.medium
- 根卷大小:29GB
-
Kubernetes集群:使用kubeadm工具搭建的Kubernetes集群
部署步骤详解
1. 初始设置
首先以root用户身份进行操作:
sudo su
2. 获取应用代码
获取Wanderlust应用的代码仓库:
git clone -b devops <代码仓库地址>
3. 检查集群状态
确认Kubernetes节点状态正常:
kubectl get nodes
4. 创建命名空间
为Wanderlust应用创建专用的命名空间:
kubectl create namespace wanderlust
kubectl config set-context --current --namespace wanderlust
5. DNS解析配置
确保集群DNS解析正常工作:
kubectl get pods -n kube-system -o wide | grep -i core
如果发现coredns只在主节点运行,可以通过编辑部署将副本数从2增加到4:
kubectl edit deploy coredns -n kube-system -o yaml
6. 前端配置
进入前端目录并配置环境变量:
cd frontend
vi .env.docker
在配置文件中,将公共IP地址替换为工作节点的实际IP地址。
构建前端Docker镜像:
docker build -t madhupdevops/frontend-wanderlust:v2.1.8 .
7. 后端配置
进入后端目录并配置环境变量:
cd ../backend/
vi .env.docker
需要配置以下关键变量:
- MONGODB_URI:MongoDB服务名称
- REDIS_URL:Redis服务名称
- FRONTEND_URL:工作节点公共IP
构建后端Docker镜像:
docker build -t madhupdevops/backend-wanderlust:v2.1.8 .
8. 镜像推送
将构建好的镜像推送到Docker镜像仓库:
docker login
docker push madhupdevops/frontend-wanderlust:v2.1.8
docker push madhupdevops/backend-wanderlust:v2.1.8
9. Kubernetes资源配置
进入Kubernetes配置目录并按顺序应用各个资源文件:
cd ../kubernetes
- 创建持久卷(PV):
kubectl apply -f persistentVolume.yaml
- 创建持久卷声明(PVC):
kubectl apply -f persistentVolumeClaim.yaml
- 部署MongoDB:
kubectl apply -f mongodb.yaml
- 部署Redis:
kubectl apply -f redis.yaml
- 部署后端服务:
kubectl apply -f backend.yaml
- 部署前端服务:
kubectl apply -f frontend.yaml
10. 部署验证
检查所有部署和服务状态:
kubectl get all
查看各个Pod的日志以确保服务正常运行:
kubectl logs <pod-name>
11. 访问应用
在浏览器中访问应用,端口号为31000:
http://<工作节点公共IP>:31000/
常见问题排查
-
服务连接问题:如果后端服务无法连接MongoDB或Redis,请确保这些服务已完全启动(等待3-4分钟)。
-
DNS解析问题:如果遇到服务发现失败,检查coredns是否在所有节点正常运行。
-
镜像构建失败:确保Dockerfile中所有依赖项正确配置,网络连接正常。
最佳实践建议
-
资源限制:为每个容器配置适当的资源请求和限制,避免资源争用。
-
健康检查:为所有服务添加就绪性和存活性探针。
-
配置管理:考虑使用ConfigMap和Secret管理应用配置,而非直接硬编码在环境变量中。
-
自动伸缩:为前端和后端服务配置Horizontal Pod Autoscaler,根据负载自动调整副本数量。
通过本教程,您应该已经成功在Kubernetes集群上部署了Wanderlust应用。这种部署方式提供了良好的可扩展性和可靠性,适合生产环境使用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00