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。
kernelopenEuler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。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00