K3s - заміна Traefik на Nginx ingress controller

    K3s за замовченням використовує traefik ingress controller який виконує свою функцію бездоганно, має свій web dashboard і багато інших хороших речей ...але, в багатьох ситуаціях, коли необхідно відносно швидко підняти й протестувати необхідний сервіс, приходиться констатувати факт, що helm charts мають приклади для конфігурування nginx ingress controller й не мають аналогічних прикладів для traefik, що значно ускладнює й сповільнює процес прототипування й тестування нових інструментів.

    Заміна Traefik на Nginx ingress controller може стати можливим рішенням даної ситуації. 

Для початку необхідно видалити Traefik helm chart:

kubectl -n kube-system delete helmcharts.helm.cattle.io traefik
Зупиняємо k3s:
sudo service k3s stop
далі необхідно в файлі "/etc/systemd/system/k3s.service" добавити "–no-deploy traefik" в рядок "ExecStart":
ExecStart=/usr/local/bin/k3s \
    server \
    --disable traefik \
далі перезагружаємо сервіс та видаляємо маніфест auto-deploy для traefik:
sudo systemctl daemon-reload
sudo rm /var/lib/rancher/k3s/server/manifests/traefik.yaml
sudo service k3s start

Слідуючим етапом буде встановлення nginx ingress controller замість traefik:
Якщо у вас вже є встановленний helm то ви можете розгорнути nginx ingress контролер за допомогою наступних команд:
Скачуємо репозиторій:
helm repo add ingress-nginx https://kubernetes.github.io/ingress-nginx
helm pull ingress-nginx/ingress-nginx --untar
створюємо файл "./values/ingress-nginx-local.yaml"з локальними налаштуваннями:
controller:
    metrics:
        enabled: true
        serviceMonitor:
            enabled: true
            additionalLabels:
              release: prometheus-stack
    kind: DaemonSet
встановлюємо helm chart з локальними налаштуваннями:
helm install ingress-nginx -f ./values/ingress-nginx-local.yaml ./ingress-nginx/
Переглянути статус, запустивши "kubectl --namespace default get services -o wide -w ingress-nginx-controller"

Якщо у вас немає Helm або ви віддаєте перевагу використанню маніфесту YAML, замість цього ви можете виконати такі команди:
wget https://raw.githubusercontent.com/kubernetes/ingress-nginx/controller-v1.5.1/deploy/static/provider/baremetal/deploy.yaml -O nginx-ingress-deploy.yaml
kubectl apply -f ./nginx-ingress-deploy.yaml
 Видалити nginx ingress контролер можна слідуючими командами  
Якщо встановлення відбувалось з допомогою helm chart, то запускаємо:
helm uninstall ingress-nginx
Якщо встановлення відбувалось з допомогою yaml маніфесту, то запускаємо:
 kubectl delete -f ./nginx-ingress-deploy.yaml


Коментарі

Дописати коментар

Популярні дописи з цього блогу

Минимальные требование для кластера Hadoop(with Spark)

Зображення
   Есть 4 типы ролей в базовом Hadoop кластере: NameNode (и Standby NameNode), JobTracker,TaskTracker, и DataNode. (node - это машина выполняющая конкретную задачу). Большинство машин в Вашем кластере могут выполнять две из этих ролей, функионируя как DataNode (хранилище данных) и TaskTracker (Для обработки данных).    Следующая диаграмма показывает как должны быть сконфигурированы сервера в зависимости от рабочих нагрузок: Далее приведена рекомендательная спецификация для DataNode/TaskTrackers в Hadoop кластере: 12-24 1-4TB жерстих диска в JBOD (Just a Bunch Of Disks) конфигурации 2 quad-/hex-/octo-core CPUs, 2-2.5GHz 64-512GB ОЗУ Локальная Гигабитная сеть или 10Gigabit сеть (чем большая плотность хранения тем большая пропускная способность необходима) Рекомендации для NameNode/JobTracker/Standby NameNode ноды будет колебаться в зависимости от избыточности: 4–6 1TB жерсткие диски в JBOD конфигурации (1 для OS, 2 для FS [RAID 1], 1 для Apache ZooKee...
Докладніше

Apache Spark - основные команды

Загрузка данных в DataSet RRD (Resilient Distributed Dataset над которым можно делать преобразования): .parallelize([3,5,6,8,9]) .textFile(path_to_the_source)// указываем хранилище. К примеру hdfs. Трансформация данных : .map(function) — применяет пользовательскую функцию(function) к каждому элементу датасета .filter(function) — возвращает только те элементы датасета, для которых пользовательская функция(function) вернула значение true .distinct([numTasks]) — возвращает датасет, с уникальных элементо первоначального датасета .union(otherDataset).intersection(otherDataset).cartesian(otherDataset) — новый датасет содержит в себе всевозможные пары (A,B), где первый элемент принадлежит исходному датасету, а второй — датасету-аргументу Действия над RDD (Сохранить данные или вывести в консоль..): .saveAsTextFile(path) — сохраняет данные в текстовый файл (в hdfs, на локальную машину или в любую другую поддерживаемую файловую систему — полный список можно посмотреть в докумен...
Докладніше

Apache Spark Resource Management и модель приложений от YARN

Зображення
Краткий обзор разницы между тем как Spark и MapReduce управляют ресурсами с помощью YARN. Также посмотрим на разницу между Spark и MapReduce архитектурой, почему это важно и как они работают в кластере с ресурс медежрером YARN.  Наиболее популярным YARN приложением после MapReduce является Apache Spark.  Приложения В MapReduce, "job" является блоком наивысшего уровня. Система загружает данные в map функцию, перемешивает их и отправляет в reduce функцию. После записывает результат обратно в хранилище. Spark имеет похожий принцип работы(job может состоять не только из шагов map и reduce), но он имеет ещё один блок уровня управления , который называется "application", который может запустить много job-в в последовательном или паралельном режиме. Архитектура Spark приложений Для тех, кто хорошо знаком с SPARK API, приложению соответствует экземпляр класса SparkContext. В приложении может быть использован однин job, интерактивная сессия с нескольким...
Докладніше