简介

Kubernetes 作为当前工业界流行的云原生容器编排和管理工具，在大量项目实践中被使用。目前，OpenMLDB 的离线引擎和在线引擎，均已经完整支持了基于 Kubernetes 的部署，可以实现更为方便的管理功能。本文将分别介绍离线和在线引擎基于 Kubernetes 的部署攻略。

注意，离线和在线引擎基于 Kubernetes 的部署是两个完全解耦的部署策略，用户可以分别针对不同的需求，为离线或者在线引擎使用基于 Kubernetes 的部署。除了基于 Kubernetes 部署，离线引擎也支持基于 local 本地模式和基于 yarn 模式进行部署；在线引擎也支持原生的不依赖容器的部署方式。这些部署策略可以在实际场景中灵活混合使用，以满足生产环境需求。

离线引擎使用 Kubernetes 后端

部署管理 Spark 任务的 Operator

请参考 spark-on-k8s-operator 官方文档 。以下是使用 Helm 部署到 default 命令空间的命令，可以根据需要修改命令空间以及权限信息。

helm install my-release spark-operator/spark-operator 
--namespace default 
--create-namespace 
--set webhook
.enable
=
true


kubectl create serviceaccount spark 
--namespace default


kubectl create clusterrolebinding binding 
--clusterrole
=edit 
--serviceaccount
=default:spark

部署成功后，可以使用 spark-operator 提供的代码示例测试 Spark 任务是否可以正常提交。

HDFS 支持

如果需要配置 Kubernetes 任务读写 HDFS 数据，需要提前准备 Hadoop 配置文件并且创建 ConfigMap 。根据需要可修改 ConfigMap 名称和文件路径，创建命令示例如下：

kubectl create configmap hadoop-config --from-file=/tmp/hadoop/etc/

离线引擎配置 Kubernetes 支持

离线引擎的 TaskManager 配置文件中可以指定 Kubernetes 相关配置，相关配置项如下

如果使用 Kubernetes 运行离线引擎，用户的计算任务会运行在集群上，因此建议配置离线存储路径为 HDFS 路径，否则可能导致任务读写数据失败。TaskManager 配置文件相关项的配置示例如下：

offline.data.prefix=hdfs:///foo/bar/

Note : OpenMLDB 离线引擎的 TaskManager 的完整配置文件可参考： https://openmldb.ai/docs/zh/main/deploy/conf.html#taskmanager-conf-taskmanager-properties

任务提交和管理

配置 TaskManager 和 Kubernetes 后，可在命令行提交离线任务，用法与 Local 或 Yarn 模式一样，不仅可以在 SQL 命令行客户端中使用，也可以通过各种语言的 SDK 中使用。

例如提交数据导入任务：

LOAD DATA INFILE 'hdfs:///hosts' INTO TABLE db1.t1 OPTIONS(delimiter = ',', mode='overwrite');

检查 Hadoop ConfigMap 内容：

kubectl get configmap hdfs-config -o yaml

查看 Spark 任务以及 Pod 内容和日志：

kubectl get SparkApplicationkubectl get pods

在线引擎基于 Kubernetes 部署

项目仓库

在线引擎基于 Kubernetes 的部署方案作为一个单独的部署工具对 OpenMLDB 进行支持，其源代码仓库地址为： https://github.com/4paradigm/openmldb-k8s

要求

本部署工具提供 OpenMLDB 在线引擎基于 Kubernetes 的部署方案，基于 Helm Charts 实现。在以下版本通过测试（其他低版本未验证）：

• Kubernetes 1.19+

• Helm 3.2.0+

另外，如果用户使用 Docker Hub 上的预编译 OpenMLDB 镜像，目前仅支持 OpenMLDB >= 0.8.2。用户也可以通过我们的工具自己制作其他版本的 OpenMLDB 镜像（见章节“镜像制作工具”）。

准备工作：部署 ZooKeeper

如果用户已经有可用的 ZooKeeper，可跳过此步。否则进行安装：

helm install zookeeper oci://registry-1.docker.io/bitnamicharts/zookeeper --set persistence.enabled=false

如果要把数据持久化，可以指定已创建的storage class

helm install zookeeper oci://registry-1.docker.io/bitnamicharts/zookeeper --set persistence.storageClass=local-storage

更多关于 ZooKeeper 的参数设置参考 这里

部署 OpenMLDB

下载 repo 源代码

下载本 repo 源代码，并且将后续工作目录设置在本 repo 的根目录：

git clone https
://github
.com/4paradigm/openmldb
-k8s
.git


cd openmldb
-k8s

配置 ZooKeeper 地址

修改 charts/openmldb/conf/tablet.flags 和 charts/openmldb/conf/nameserver.flags 文件中 zk_cluster 为实际 ZooKeeper 地址，其默认 zk_root_path 为 /openmldb 。

部署OpenMLDB

使用 Helm 基于如下命令，可以进行一键化部署：

helm install openmldb ./charts/openmldb

用户可以通过 --set 命令设置更多的部署选项（比如 OpenMLDB 的副本数等） ，具体支持的选项查看 OpenMLDB Chart 配置文档 。

其中比较重要的配置项需要注意：

• 默认使用临时文件保存数据，因此当pod重启后数据会丢失。推荐通过如下方式绑定pvc到指定storageclass

helm install openmldb ./charts/openmldb --set persistence.dataDir.enabled=true --set  persistence.dataDir.storageClass=local-storage

• 默认使用 Docker Hub 上的 4pdosc/openmldb-online 镜像（仅支持 OpenMLDB >= 0.8.2），如果要用自己的镜像，可以在 install 时通过 --set image.openmldbImage 来指定使用的镜像名称。可以使用我们的镜像制作工具来制作本地镜像。

helm install openmldb ./charts/openmldb --set image.openmldbImage=openmldb-online:0.8.2

注意事项

• 部署的 OpenMLDB 服务只能在 Kubernetes 内部同一个 namespace 下访问

• 通过此方式部署的 OpenMLDB 集群没有部署 TaskManager 模块，所以不能用 LOAD DATA 和 SELECT INTO 语句，也不能使用离线相关功能。如果要将数据导入到 OpenMLDB 可以使用 OpenMLDB 的 在线导入工具 、 OpenMLDB Connector 或者 SDK。如果要导出表的数据，可以使用 在线数据导出工具 。

• 如果要上生产环境，需要在 Kubernetes 部署 tablet 的物理节点上关闭 THP，否则可能存在删除的表内存不能完全释放问题。关闭方式参考 这里

镜像制作工具

部署默认将会使用 Docker Hub 上的 OpenMLDB 镜像，用户也可以自己制作本地镜像。镜像制作工具是位于代码仓库（ https://github.com/4paradigm/openmldb-k8s ）下的脚本 docker/build.sh 。

该脚本支持两个参数：

• 第一个参数为OpenMLDB版本号。

• 第二个参数是OpenMLDB部署包的源，默认是从中国大陆镜像地址拉取，如果要从 GitHub 拉取可以设置第二个参数为 github

比如：

cd docker


sh build
.sh 
0.8.2

相关阅读

• OpenMLDB 官网： https://openmldb.ai/

• OpenMLDB GitHub 主页： https://github.com/4paradigm/OpenMLDB

• OpenMLDB 文档 https://openmldb.ai/docs/zh/

• OpenMLDB 微信交流群: