详解Argo Workflows-Kubernetes的工作流引擎

开源
Argo Workflows是一个开源项目,为Kubernetes提供container-native工作流程,其主要通过Kubernetes CRD实现的。

 什么是Argo Workflows?

Argo Workflows是一个开源项目,为Kubernetes提供container-native工作流程,其主要通过Kubernetes CRD实现的。

特点如下:

  • 工作流的每一步都是一个容器
  • 将多步骤工作流建模为一系列任务,或者使用有向无环图(DAG)描述任务之间的依赖关系
  • 可以在短时间内轻松运行用于机器学习或数据处理的计算密集型作业
  • 在Kubernetes上运行CI/CD Pipeline,无需复杂的软件配置

安装

安装控制器端

Argo Wordflows的安装非常简单,直接使用以下命令安装即可。

  1. kubectl create ns argo 
  2. kubectl apply -n argo -f https://raw.githubusercontent.com/argoproj/argo-workflows/stable/manifests/quick-start-postgres.yaml 

安装完成后,会生成以下4个pod。

  1. # kubectl get po -n argo 
  2. NAME                                   READY   STATUS      RESTARTS   AGE 
  3. argo-server-574ddc66b-62rjc            1/1     Running     4          4h25m 
  4. minio                                  1/1     Running     0          4h25m 
  5. postgres-56fd897cf4-k8fwd              1/1     Running     0          4h25m 
  6. workflow-controller-77658c77cc-p25ll   1/1     Running     4          4h25m 

其中:

  • argo-server是argo服务端
  • mino是进行制品仓库
  • postgres是数据库
  • workflow-controller是流程控制器

然后配置一个server端的ingress,即可访问UI,配置清单如下(我这里使用的是traefik):

  1. apiVersion: traefik.containo.us/v1alpha1 
  2. kind: IngressRoute 
  3. metadata: 
  4.   name: argo-ui 
  5.   namespace: argo 
  6. spec: 
  7.   entryPoints: 
  8.   - web 
  9.   routes: 
  10.   - match: Host(`argowork-test.coolops.cn`) 
  11.     kind: Rule 
  12.     services: 
  13.     - name: argo-server 
  14.       port: 2746 

UI界面如下:

再配置一个minio的ingress,配置清单如下:

  1. apiVersion: traefik.containo.us/v1alpha1 
  2. kind: IngressRoute 
  3. metadata: 
  4.   name: minio 
  5.   namespace: argo 
  6. spec: 
  7.   entryPoints: 
  8.   - web 
  9.   routes: 
  10.   - match: Host(`minio-test.coolops.cn`) 
  11.     kind: Rule 
  12.     services: 
  13.     - name: minio 
  14.       port: 9000 

UI界面如下(默认用户名密码是:admin:password):

安装Client端

Argo Workflows提供Argo CLI,其安装方式也非常简单,如下:Linux系统:

  1. # Download the binary 
  2. curl -sLO https://github.com/argoproj/argo/releases/download/v3.0.0-rc4/argo-linux-amd64.gz 
  3.  
  4. # Unzip 
  5. gunzip argo-linux-amd64.gz 
  6.  
  7. # Make binary executable 
  8. chmod +x argo-linux-amd64 
  9.  
  10. Move binary to path 
  11. mv ./argo-linux-amd64 /usr/local/bin/argo 

安装完成后,使用以下命令校验是否安装成功。

  1. # argo version 
  2. argo: v3.0.0-rc4 
  3.   BuildDate: 2021-03-02T21:42:55Z 
  4.   GitCommit: ae5587e97dad0e4806f7a230672b998fe140a767 
  5.   GitTreeState: clean 
  6.   GitTag: v3.0.0-rc4 
  7.   GoVersion: go1.13 
  8.   Compiler: gc 
  9.   Platform: linux/amd64 

其主要的命令有:

  1. list      列出工作流 
  2. logs      查看工作流的日志 
  3. submit    创建工作流 
  4. watch     实时监听工作流 
  5. get       现实详细信息 
  6. delete    删除工作流 
  7. stop      停止工作流 

更多命令可以使用argo --help进行查看。

然后可以使用一个简单的hello world的WorkFlow,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: hello-world- 
  5.   labels: 
  6.     workflows.argoproj.io/archive-strategy: "false" 
  7. spec: 
  8.   entrypoint: whalesay 
  9.   templates: 
  10.   - name: whalesay 
  11.     container: 
  12.       image: docker/whalesay:latest 
  13.       command: [cowsay] 
  14.       args: ["hello world"

使用如下命令创建并观察workflow。

  1. $ argo submit -n argo helloworld.yaml --watch 

然后可以看到以下输出。

  1. Name:                hello-world-9pw7v 
  2. Namespace:           argo 
  3. ServiceAccount:      default 
  4. Status:              Succeeded 
  5. Conditions:           
  6.  Completed           True 
  7. Created:             Mon Mar 08 14:51:35 +0800 (10 seconds ago) 
  8. Started:             Mon Mar 08 14:51:35 +0800 (10 seconds ago) 
  9. Finished:            Mon Mar 08 14:51:45 +0800 (now) 
  10. Duration:            10 seconds 
  11. Progress:            1/1 
  12. ResourcesDuration:   4s*(1 cpu),4s*(100Mi memory) 
  13.  
  14. STEP                  TEMPLATE  PODNAME            DURATION  MESSAGE 
  15.  ✔ hello-world-9pw7v  whalesay  hello-world-9pw7v  5s 

还可以通过argo list来查看状态,如下:

  1. # argo list -n argo 
  2. NAME                STATUS      AGE   DURATION   PRIORITY 
  3. hello-world-9pw7v   Succeeded   1m    10s        0 

使用argo logs来查看具体的日志,如下:

  1. # argo logs -n argo hello-world-9pw7v 
  2. hello-world-9pw7v:  _____________  
  3. hello-world-9pw7v: < hello world > 
  4. hello-world-9pw7v:  -------------  
  5. hello-world-9pw7v:     \ 
  6. hello-world-9pw7v:      \ 
  7. hello-world-9pw7v:       \      
  8. hello-world-9pw7v:                     ##        .             
  9. hello-world-9pw7v:               ## ## ##       ==             
  10. hello-world-9pw7v:            ## ## ## ##      ===             
  11. hello-world-9pw7v:        /""""""""""""""""___/ ===         
  12. hello-world-9pw7v:   ~~~ {~~ ~~~~ ~~~ ~~~~ ~~ ~ /  ===- ~~~    
  13. hello-world-9pw7v:        \______ o          __/             
  14. hello-world-9pw7v:         \    \        __/              
  15. hello-world-9pw7v:           \____\______/    

核心概念

Workflow

Workflow是Argo中最重要的资源,其主要有两个重要功能:

  • 它定义要执行的工作流
  • 它存储工作流程的状态

要执行的工作流定义在Workflow.spec字段中,其主要包括templates和entrypoint,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: hello-world-  # Workflow的配置名称 
  5. spec: 
  6.   entrypoint: whalesay        # 解析whalesay templates 
  7.   templates: 
  8.   - name: whalesay            # 定义whalesay templates,和entrypoint保持一致 
  9.     container:                # 定义一个容器,输出"helloworld" 
  10.       image: docker/whalesay 
  11.       command: [cowsay] 
  12.       args: ["hello world"]    

Templates

templates是列表结构,主要分为两类:

  • 定义具体的工作流
  • 调用其他模板提供并行控制

定义具体的工作流

定义具体的工作流有4种类别,如下:

  • Container
  • Script
  • Resource
  • Suspend

Container

container是最常用的模板类型,它将调度一个container,其模板规范和K8S的容器规范相同,如下:

  1. name: whalesay             
  2.   container:                 
  3.     image: docker/whalesay 
  4.     command: [cowsay] 
  5.     args: ["hello world"]    

Script

Script是Container的另一种包装实现,其定义方式和Container相同,只是增加了source字段用于自定义脚本,如下:

  1. name: gen-random-int 
  2.   script: 
  3.     image: python:alpine3.6 
  4.     command: [python] 
  5.     source: | 
  6.       import random 
  7.       i = random.randint(1, 100) 
  8.       print(i) 

脚本的输出结果会根据调用方式自动导出到{{tasks..outputs.result}}或{{steps..outputs.result}}中。

Resource

Resource主要用于直接在K8S集群上执行集群资源操作,可以 get, create, apply, delete, replace, patch集群资源。如下在集群中创建一个ConfigMap类型资源:

  1. name: k8s-owner-reference 
  2.   resource: 
  3.     actioncreate 
  4.     manifest: | 
  5.       apiVersion: v1 
  6.       kind: ConfigMap 
  7.       metadata: 
  8.         generateName: owned-eg- 
  9.       data: 
  10.         some: value 

Suspend

Suspend主要用于暂停,可以暂停一段时间,也可以手动恢复,命令使用argo resume进行恢复。定义格式如下:

  1. name: delay 
  2.   suspend: 
  3.     duration: "20s" 

调用其他模板提供并行控制

调用其他模板也有两种类别:

  • Steps
  • Dag

Steps

Steps主要是通过定义一系列步骤来定义任务,其结构是"list of lists",外部列表将顺序执行,内部列表将并行执行。如下:

  1. name: hello-hello-hello 
  2.   steps: 
  3.   - - name: step1 
  4.       template: prepare-data 
  5.   - - name: step2a 
  6.       template: run-data-first-half 
  7.     - name: step2b 
  8.       template: run-data-second-half 

其中step1和step2a是顺序执行,而step2a和step2b是并行执行。

还可以通过When来进行条件判断。如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: coinflip- 
  5. spec: 
  6.   entrypoint: coinflip 
  7.   templates: 
  8.   - name: coinflip 
  9.     steps: 
  10.     - - name: flip-coin 
  11.         template: flip-coin 
  12.     - - name: heads 
  13.         template: heads 
  14.         when"{{steps.flip-coin.outputs.result}} == heads" 
  15.       - name: tails 
  16.         template: tails 
  17.         when"{{steps.flip-coin.outputs.result}} == tails" 
  18.  
  19.   - name: flip-coin 
  20.     script: 
  21.       image: python:alpine3.6 
  22.       command: [python] 
  23.       source: | 
  24.         import random 
  25.         result = "heads" if random.randint(0,1) == 0 else "tails" 
  26.         print(result) 
  27.  
  28.   - name: heads 
  29.     container: 
  30.       image: alpine:3.6 
  31.       command: [sh, -c] 
  32.       args: ["echo \"it was heads\""
  33.  
  34.   - name: tails 
  35.     container: 
  36.       image: alpine:3.6 
  37.       command: [sh, -c] 
  38.       args: ["echo \"it was tails\""

提交这个Workflow,执行效果如下:

除了使用When进行条件判断,还可以进行循环操作,示例代码如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: loops- 
  5. spec: 
  6.   entrypoint: loop-example 
  7.   templates: 
  8.   - name: loop-example 
  9.     steps: 
  10.     - - name: print-message 
  11.         template: whalesay 
  12.         arguments: 
  13.           parameters: 
  14.           - name: message 
  15.             value: "{{item}}" 
  16.         withItems: 
  17.         - hello world 
  18.         - goodbye world 
  19.  
  20.   - name: whalesay 
  21.     inputs: 
  22.       parameters: 
  23.       - name: message 
  24.     container: 
  25.       image: docker/whalesay:latest 
  26.       command: [cowsay] 
  27.       args: ["{{inputs.parameters.message}}"

提交Workflow,输出结果如下:

Dag

Dag主要用于定义任务的依赖关系,可以设置开始特定任务之前必须完成其他任务,没有任何依赖关系的任务将立即执行。如下:

  1. name: diamond 
  2.   dag: 
  3.     tasks: 
  4.     - name: A 
  5.       template: echo 
  6.     - name: B 
  7.       dependencies: [A] 
  8.       template: echo 
  9.     - name: C 
  10.       dependencies: [A] 
  11.       template: echo 
  12.     - name: D 
  13.       dependencies: [B, C] 
  14.       template: echo 

其中A会立即执行,B和C会依赖A,D依赖B和C。

然后运行一个示例看看效果,示例如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: dag-diamond- 
  5. spec: 
  6.   entrypoint: diamond 
  7.   templates: 
  8.   - name: diamond 
  9.     dag: 
  10.       tasks: 
  11.       - name: A 
  12.         template: echo 
  13.         arguments: 
  14.           parameters: [{name: message, value: A}] 
  15.       - name: B 
  16.         dependencies: [A] 
  17.         template: echo 
  18.         arguments: 
  19.           parameters: [{name: message, value: B}] 
  20.       - name: C 
  21.         dependencies: [A] 
  22.         template: echo 
  23.         arguments: 
  24.           parameters: [{name: message, value: C}] 
  25.       - name: D 
  26.         dependencies: [B, C] 
  27.         template: echo 
  28.         arguments: 
  29.           parameters: [{name: message, value: D}] 
  30.  
  31.   - name: echo 
  32.     inputs: 
  33.       parameters: 
  34.       - name: message 
  35.     container: 
  36.       image: alpine:3.7 
  37.       command: [echo, "{{inputs.parameters.message}}"

提交workflow。

  1. argo submit -n argo dag.yam --watch 

image.png

Variables

在argo的Workflow中允许使用变量的,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: hello-world-parameters- 
  5. spec: 
  6.   entrypoint: whalesay 
  7.   arguments: 
  8.     parameters: 
  9.       - name: message 
  10.         value: hello world 
  11.   templates: 
  12.     - name: whalesay 
  13.       inputs: 
  14.         parameters: 
  15.           - name: message 
  16.       container: 
  17.         image: docker/whalesay 
  18.         command: [ cowsay ] 
  19.         args: [ "{{inputs.parameters.message}}" ]  

首先在spec字段定义arguments,定义变量message,其值是hello world,然后在templates字段中需要先定义一个inputs字段,用于templates的输入参数,然后在使用"{{}}"形式引用变量。

变量还可以进行一些函数运算,主要有:

  • filter:过滤
  • asInt:转换为Int
  • asFloat:转换为Float
  • string:转换为String
  • toJson:转换为Json

例子:

  1. filter([1, 2], { # > 1}) 
  2. asInt(inputs.parameters["my-int-param"]) 
  3. asFloat(inputs.parameters["my-float-param"]) 
  4. string(1) 
  5. toJson([1, 2]) 

更多语法可以访问https://github.com/antonmedv/expr/blob/master/docs/Language-Definition.md进行学习。

制品库

在安装argo的时候,已经安装了mino作为制品库,那么到底该如何使用呢?

先看一个官方的例子,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: artifact-passing- 
  5. spec: 
  6.   entrypoint: artifact-example 
  7.   templates: 
  8.   - name: artifact-example 
  9.     steps: 
  10.     - - name: generate-artifact 
  11.         template: whalesay 
  12.     - - name: consume-artifact 
  13.         template: print-message 
  14.         arguments: 
  15.           artifacts: 
  16.           - name: message 
  17.             from"{{steps.generate-artifact.outputs.artifacts.hello-art}}" 
  18.  
  19.   - name: whalesay 
  20.     container: 
  21.       image: docker/whalesay:latest 
  22.       command: [sh, -c] 
  23.       args: ["sleep 1; cowsay hello world | tee /tmp/hello_world.txt"
  24.     outputs: 
  25.       artifacts: 
  26.       - name: hello-art 
  27.         path: /tmp/hello_world.txt 
  28.  
  29.   - name: print-message 
  30.     inputs: 
  31.       artifacts: 
  32.       - name: message 
  33.         path: /tmp/message 
  34.     container: 
  35.       image: alpine:latest 
  36.       command: [sh, -c] 
  37.       args: ["cat /tmp/message"

其分为两步:

  • 首先生成制品
  • 然后获取制品

提交Workflow,运行结果如下:

然后在minio中可以看到生成的制品,制品经过了压缩,如下:

WorkflowTemplate

WorkflowTemplate是Workflow的模板,可以从WorkflowTemplate内部或者集群上其他Workflow和WorkflowTemplate引用它们。

WorkflowTemplate和template的区别:

  • template只是Workflow中templates下的一个任务,当我们定义一个Workflow时,至少需要定义一个template
  • WorkflowTemplate是驻留在集群中的Workflow的定义,它是Workflow的定义,因为它包含模板,可以从WorkflowTemplate内部或者集群上其他Workflow和WorkflowTemplate引用它们。

在2.7版本后,WorkflowTemplate的定义和Workflow的定义一样,我们可以简单的将kind:Workflow改成kind:WorkflowTemplate。比如:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: WorkflowTemplate 
  3. metadata: 
  4.   name: workflow-template-1 
  5. spec: 
  6.   entrypoint: whalesay-template 
  7.   arguments: 
  8.     parameters: 
  9.       - name: message 
  10.         value: hello world 
  11.   templates: 
  12.     - name: whalesay-template 
  13.       inputs: 
  14.         parameters: 
  15.           - name: message 
  16.       container: 
  17.         image: docker/whalesay 
  18.         command: [cowsay] 
  19.         args: ["{{inputs.parameters.message}}"

创建WorkflowTemplate,如下

  1. argo template create workflowtemplate.yaml 

然后在Workflow中引用,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: workflow-template-hello-world- 
  5. spec: 
  6.   entrypoint: whalesay 
  7.   templates: 
  8.   - name: whalesay 
  9.     steps:                              # 引用模板必须在steps/dag/template下 
  10.       - - name: call-whalesay-template 
  11.           templateRef:                  # 应用模板字段 
  12.             name: workflow-template-1   # WorkflowTemplate名 
  13.             template: whalesay-template # 具体的template名 
  14.           arguments:                    # 参数 
  15.             parameters: 
  16.             - name: message 
  17.               value: "hello world" 

ClusterWorkflowTemplate

ClusterWorkflowTemplate创建的是一个集群范围内的WorkflowTemplate,其他workflow可以引用它。

如下定义一个ClusterWorkflow。

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: ClusterWorkflowTemplate 
  3. metadata: 
  4.   name: cluster-workflow-template-whalesay-template 
  5. spec: 
  6.   templates: 
  7.   - name: whalesay-template 
  8.     inputs: 
  9.       parameters: 
  10.       - name: message 
  11.     container: 
  12.       image: docker/whalesay 
  13.       command: [cowsay] 
  14.       args: ["{{inputs.parameters.message}}"

然后在workflow中使用templateRef去引用它,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: workflow-template-hello-world- 
  5. spec: 
  6.   entrypoint: whalesay 
  7.   templates: 
  8.   - name: whalesay 
  9.     steps:           
  10.       - - name: call-whalesay-template 
  11.           templateRef:                  #引用模板 
  12.             name: cluster-workflow-template-whalesay-template   # ClusterWorkflow名 
  13.             template: whalesay-template # 具体的模板名 
  14.             clusterScope: true          # 表示是ClusterWorkflow 
  15.           arguments:                    #  参数 
  16.             parameters: 
  17.             - name: message 
  18.               value: "hello world" 

实践

上面大概叙述了一下argo的基本理论知识,更多的理论知识可以到官网去学习。

下面将使用一个简单的CI/CD实践,来了解一下用argo workflow应该如何做。

CI/CD的整个流程很简单,即:拉代码->编译->构建镜像->上传镜像->部署。

定义一个WorkflowTemplate,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: WorkflowTemplate 
  3. metadata: 
  4.   annotations: 
  5.     workflows.argoproj.io/description: | 
  6.       Checkout out from Git, build and deploy application. 
  7.     workflows.argoproj.io/maintainer: '@joker' 
  8.     workflows.argoproj.io/tags: java, git 
  9.     workflows.argoproj.io/version: '>= 2.9.0' 
  10.   name: devops-java  
  11. spec: 
  12.   entrypoint: main 
  13.   arguments: 
  14.     parameters: 
  15.       - name: repo 
  16.         value: gitlab-test.coolops.cn/root/springboot-helloworld.git 
  17.       - name: branch 
  18.         value: master 
  19.       - name: image 
  20.         value: registry.cn-hangzhou.aliyuncs.com/rookieops/myapp:202103101613 
  21.       - name: cache-image 
  22.         value: registry.cn-hangzhou.aliyuncs.com/rookieops/myapp 
  23.       - name: dockerfile 
  24.         value: Dockerfile 
  25.       - name: devops-cd-repo 
  26.         value: gitlab-test.coolops.cn/root/devops-cd.git 
  27.       - name: gitlabUsername 
  28.         value: devops 
  29.       - name: gitlabPassword 
  30.         value: devops123456 
  31.   templates: 
  32.     - name: main 
  33.       steps: 
  34.         - - name: Checkout 
  35.             template: Checkout 
  36.         - - name: Build 
  37.             template: Build 
  38.         - - name: BuildImage 
  39.             template: BuildImage 
  40.         - - name: Deploy 
  41.             template: Deploy 
  42.     # 拉取代码 
  43.     - name: Checkout 
  44.       script: 
  45.         image: registry.cn-hangzhou.aliyuncs.com/rookieops/maven:3.5.0-alpine 
  46.         workingDir: /work 
  47.         command: 
  48.         - sh 
  49.         source: | 
  50.           git clone --branch {{workflow.parameters.branch}} http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.repo}} . 
  51.         volumeMounts: 
  52.           - mountPath: /work 
  53.             namework 
  54.     # 编译打包   
  55.     - name: Build 
  56.       script: 
  57.         image: registry.cn-hangzhou.aliyuncs.com/rookieops/maven:3.5.0-alpine 
  58.         workingDir: /work 
  59.         command: 
  60.         - sh 
  61.         source: mvn -B clean package -Dmaven.test.skip=true -Dautoconfig.skip 
  62.         volumeMounts: 
  63.           - mountPath: /work 
  64.             namework 
  65.     # 构建镜像   
  66.     - name: BuildImage 
  67.       volumes: 
  68.       - name: docker-config 
  69.         secret: 
  70.           secretName: docker-config 
  71.       container: 
  72.         image: registry.cn-hangzhou.aliyuncs.com/rookieops/kaniko-executor:v1.5.0 
  73.         workingDir: /work 
  74.         args: 
  75.           - --context=. 
  76.           - --dockerfile={{workflow.parameters.dockerfile}} 
  77.           - --destination={{workflow.parameters.image}} 
  78.           - --skip-tls-verify 
  79.           - --reproducible 
  80.           - --cache=true 
  81.           - --cache-repo={{workflow.parameters.cache-image}} 
  82.         volumeMounts: 
  83.           - mountPath: /work 
  84.             namework 
  85.           - name: docker-config 
  86.             mountPath: /kaniko/.docker/ 
  87.     # 部署   
  88.     - name: Deploy 
  89.       script: 
  90.         image: registry.cn-hangzhou.aliyuncs.com/rookieops/kustomize:v3.8.1 
  91.         workingDir: /work 
  92.         command: 
  93.         - sh 
  94.         source: | 
  95.            git remote set-url origin http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.devops-cd-repo}} 
  96.            git config --global user.name "Administrator" 
  97.            git config --global user.email "coolops@163.com" 
  98.            git clone http://{{workflow.parameters.gitlabUsername}}:{{workflow.parameters.gitlabPassword}}@{{workflow.parameters.devops-cd-repo}} /work/devops-cd 
  99.            cd /work/devops-cd 
  100.            git pull 
  101.            cd /work/devops-cd/devops-simple-java 
  102.            kustomize edit set image {{workflow.parameters.image}} 
  103.            git commit -am 'image update' 
  104.            git push origin master 
  105.         volumeMounts: 
  106.           - mountPath: /work 
  107.             namework 
  108.   volumeClaimTemplates: 
  109.     - namework 
  110.       metadata: 
  111.         namework 
  112.       spec: 
  113.         storageClassName: nfs-client-storageclass 
  114.         accessModes: [ "ReadWriteOnce" ] 
  115.         resources: 
  116.           requests: 
  117.             storage: 1Gi  

说明:

1、使用kaniko来创建镜像,不用挂载docker.sock,但是push镜像的时候需要config.json,所以首先需要创建一个secret,如下:

  1. kubectl create secret generic docker-config --from-file=.docker/config.json -n argo 

2、准备好storageClass,当然也可以不需要,直接使用empty,不过可以将缓存文件这些持久化,可以加速构建(我上面没有做)。

3、创建WorkflowTemplate,命令如下:

  1. argo template create -n argo devops-java.yaml 

4、创建Workflow,可以手动创建,如下:

  1. apiVersion: argoproj.io/v1alpha1 
  2. kind: Workflow 
  3. metadata: 
  4.   generateName: workflow-template-devops-java- 
  5. spec: 
  6.   workflowTemplateRef: 
  7.     name: devops-java 

也可以直接在UI界面点击创建,我这里直接在UI界面点击创建。选择刚创建的WorkflowTemplate,点击创建,如下:

然后就会生成一条Workflow,如下:

点进去,可以看到每个具体的步骤,如下

点击每个具体的步骤,可以看日志,如下:

也可以在命令行界面看到Workflow的执行结果,如下:

初次使用到这里就结束了,后期会逐步去优化。

参考文档

https://github.com/argoproj/argo-workflows/releases

https://argoproj.github.io/argo-workflows

https://github.com/antonmedv/expr/blob/master/docs/Language-Definition.md

https://github.com/argoproj/argo-workflows/tree/master/examples

 

责任编辑:姜华 来源: 运维开发故事
相关推荐

2021-10-14 11:34:05

技术工作流引擎

2015-07-14 09:26:28

微型工作流引擎设计

2011-12-14 09:58:58

JavajBPM

2023-07-05 09:48:44

Activiti部署

2023-01-04 08:02:16

工作流架构设计

2009-06-11 14:43:34

jbpm工作流引擎jBPM搭建

2009-09-01 18:26:23

C#工作流引擎

2023-08-02 18:48:23

Flowable工作流引擎

2021-08-01 12:06:41

Kubernetes云集群攻击

2009-03-03 09:13:36

工作流BPM业务流程

2009-06-11 14:33:11

jbpm工作流引擎什么是jbpm

2014-07-31 17:03:12

2021-12-17 08:39:39

SpringbootActiviti网关路由

2020-08-06 08:26:22

Kubernetes架构开发

2020-08-06 08:16:26

Kubernetes架构开源

2009-11-18 09:14:49

Visual Stud

2012-05-18 16:55:34

JavaBonita

2023-06-12 08:01:57

Camunda工作流引擎

2022-10-26 08:00:43

Activiti工作流BPM

2009-06-11 14:48:48

jbpm工作流引擎jbpm例子
点赞
收藏

51CTO技术栈公众号