作者：丁一
背景
TuGraph Analytics作业可以通过Console提交部署到K8S集群，但Console是一个独立的Web系统，部署形态上相对较重。在平台工具系统接入或大数据生态集成场景中，需要更轻量级的快速接入TuGraph Analytics的方案。
我们新增了模块geaflow-kubernetes-operator，可以通过更轻量级的YAML文件配置方式，对TuGraph Analytics作业进行描述配置。同时更方便地监控和管理集群下的所有TuGraph Analytics作业，并通过CR(Custom Resource)的创建/修改/删除来管理作业的生命周期和元信息，可以实现只通过kubectl命令实现任务操纵。我们也提供了一个实时dashboard页面，可以方便地白屏化查看所有作业状态和信息。
部署K8S Operator
TuGraph Analytics提供了geaflow-kubernetes-operator模块，可通过Helm命令一键部署到K8S。部署完成中，会向K8S集群注册一个名为geaflowjob的自定义资源。（相对于K8S内置pod、service、deployment等系统资源而言）
安装完成后，我们只需要编写一个CR的YAML配置文件提交给K8S，就可以自动拉起作业了。
- 执行以下命令构建Operator镜像，项目代码构建要求JDK11版本，因此需要单独切换JDK版本编译构建。
$ ./build-operator.sh
- 进入项目目录geaflow-kubernetes-operator下，通过Helm一键安装operator。
$ helm install geaflow-kubernetes-operator helm/geaflow-kubernetes-operator
- 在K8S Dashboard中查看pod是否正常运行。
提交作业
K8S Operator成功部署并运行后，就可以编写CR的YAML文件进行作业提交了。
$ kubectl apply geaflow-example.yml
这里使用项目内置示例作业举例，其YAML文件格式如下：
apiVersion: geaflow.antgroup.com/v1
kind: GeaflowJob
metadata:
# 作业名称
name: geaflow-example
spec:
# 作业使用的GeaFlow镜像
image: geaflow:0.1
# 作业拉取镜像的策略
imagePullPolicy: IfNotPresent
# 作业使用的k8s service account
serviceAccount: geaflow
# 作业java进程的主类
entryClass: com.antgroup.geaflow.example.graph.statical.compute.sssp.SSSP
clientSpec:
# client pod相关的资源设置
resource:
cpuCores: 1
memoryMb: 1000
jvmOptions: -Xmx800m,-Xms800m,-Xmn300m
masterSpec:
# master pod相关的资源设置
resource:
cpuCores: 1
memoryMb: 1000
jvmOptions: -Xmx800m,-Xms800m,-Xmn300m
driverSpec:
# driver pod相关的资源设置
resource:
cpuCores: 1
memoryMb: 1000
jvmOptions: -Xmx800m,-Xms800m,-Xmn300m
# driver个数
driverNum: 1
containerSpec:
# container pod相关的资源设置
resource:
cpuCores: 1
memoryMb: 1000
jvmOptions: -Xmx800m,-Xms800m,-Xmn300m
# container个数
containerNum: 1
# 每个container内部的worker个数(线程数)
workerNumPerContainer: 4
userSpec:
# 作业指标相关配置
metricConfig:
geaflow.metric.reporters: slf4j
geaflow.metric.stats.type: memory
# 作业存储相关配置
stateConfig:
geaflow.file.persistent.type: LOCAL
geaflow.store.redis.host: host.minikube.internal
geaflow.store.redis.port: 6379
# 用户自定义参数配置
additionalArgs:
geaflow.system.state.backend.type: MEMORY
K8S环境上的作业强依赖于Redis组件，若你已经部署了Redis，则可以在geaflow-example.yaml中提供Redis主机和端口号。你也可以通过Docker快速启动一个本地Redis服务，默认地址host.minikube.internal可直接访问。
docker pull redis:latest
docker run -p 6379:6379 --name geaflow_redis redis:latest
提交API任务
对于提交HLA任务的情况，需要额外注意以下几个参数：
- spec.entryClass：必填。
- spec.udfJars：选填，一般填写API任务的JAR文件的url地址。
spec:
# 必填
entryClass: com.example.MyEntryClass
# 可选
udfJars:
- name: myJob.jar
url: http://url-path-to-myJob.jar
提交DSL任务
对于提交DSL任务的情况，需要额外注意以下几个参数：
- spec.entryClass：不填，留空（用于区分是API作业还是DSL作业）。
- spec.gqlFile：必填，请填写自己文件的名称和url地址。
- spec.udfJars：选填，如需UDF的话，请填写UDF JAR文件的url地址。
spec:
# 不填
# entryClass: com.example.MyEntryClass
# 必填
gqlFile:
# name必须填写正确，否则无法找到对应文件
name: myGql.gql
url: http://url-path-to-myGql.gql
# 可选
udfJars:
- name: myUdf.jar
url: http://url-path-to-myUdf.jar
关于DSL任务和HLA任务的更多参数，我们在项目目录geaflow-kubernetes-operator/example目录中准备了两个demo作业供大家参考，请分别参考项目中的示例文件：
- example/example-dsl.yml
- example/example-hla.yml。
查看作业状态
可以访问K8S Dashboard查看pod是否被拉起，执行以下命令可以查看CR的状态是否已经正常运行。
$ kubectl get geaflowjob geaflow-example
若在提交过程中失败，则状态会变为FAILED。若需定位原因，可通过以下命令查看。
$ kubectl get geaflowjobs geaflow-example -o yaml
查看集群状态
Operator自带一个前端页面，可以展示集群的基本信息、所有作业的状态、错误信息、以及完整的配置，并做了分类统计。可以通过访问Operator的service或者pod的8089端口来打开页面。
备注：
在minikube环境中，需要通过portforward将Operator的pod代理到本地端口（默认为8089端口），请将operator-pod-name替换为实际的operator pod名称，然后通过浏览器访问localhost:8089即可打开页面。
$kubectl port-forward ${operator-pod-name} 8089:8089
至此，我们完成了TuGraph Analytics作业的轻量级提交和运行！是不是超简单！快来试一试吧！
GeaFlow(品牌名TuGraph-Analytics) 已正式开源，欢迎大家关注！！！
欢迎给我们 Star 哦! GitHub👉 https://github.com/TuGraph-family/tugraph-analytics
更多精彩内容，关注我们的博客 https://geaflow.github.io/
