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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃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
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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-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- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00