fbpx
Kubernetes 3 óra alatt: részletes útmutató – 1. rész: Kiindulás a microservices alkalmazásokból ShiwaForce Admin 2018. május 24

Kubernetes 3 óra alatt: részletes útmutató – 1. rész: Kiindulás a microservices alkalmazásokból

Kubernetes-es cikksorozatunk Rinor Maloku Learn Kubernetes in Under 3 Hours: A Detailed Guide to Orchestrating Containers posztjának fordításán alapul, a szerző engedélyével.

A legtöbb Kubernetes-t bemutató cikk azonnal a történet közepébe vág: bemutatja az alapvető fogalmakat és parancsokat feltételezve, hogy az olvasó tökéletesen tisztában van a modern alkalmazásfejlesztéssel, a microservices és a Docker konténerek mibenlétével.

Cikksorozatunkban az alábbi tematikát fogjuk követni:

  • először egy mikroservicesre épülő alkalmazást fogunk futtatni lokális környezetben, ezután
  • ezt az alkalmazást konténerizáljuk, végül
  • bemutatjuk a Kubernetest és a konténerizált alkalmazásunkat egy Kubernetes Cluster-be telepítjük.

Ez a megközelítés véleményünk szerint alkalmas arra, hogy a feladat teljes mélységét átlátva ráébresszük az olvasót, hogy a Kubernetes valójában mennyire egyszerű. Igen, a Kubernetes egyszerű, ha tisztában vagy az azt körülevő technológiákkal és kontextussal.

Vágjunk is bele!

A példa alkalmazás

Annak az egyszerű alkalmazásnak, amelyen keresztül könnyen bemutatható a konténerizáció és a Kubernetes, egyetlen funkcióval bír: egy bevitt mondatról szövegelemzéssel megállapítja annak érzelmi töltetét. Ez a funkció a “sentiment analyser”.

 

Fig. 1. Sentiment Analysis Web App

Technikai oldalról az alkalmazás 3 részből áll:

  1. SA-frontend: egy Nginx web szerver szolgálja ki a statikus ReactJS file-okat.
  2. SA-webapp: egy Java webalkalmazás kezeli a frontendről érkező kéréseket.
  3. SA-logic: egy Python alkalmazás végzi el a háttérben a szövegelemzést.

Fontos megjegyezni, hogy a mikroszervizek nem izolálódnak teljesen, és ugyan lehetővé teszik az egyes funkciók elkülönülését (“separation of concerns”), de egymással együtt kell működniük.

 

Fig. 2. Data flow in the Sentiment Analysis WebApp

 

A komponensek közötti interakciót szemlélteti a fenti ábra:

  1. A kliens alkalmazás elkéri az index.html-t (amely cserébe az egybecsomagolt ReactJS alkalmazást is elkéri)
  2. A felhasználó a form kitöltésével meghívja a Spring WebApp-ot
  3. A Spring WebApp továbbítja a kérést a Python alkalmazásnak
  4. A Python alkalmazás elvégzi a kalkulációt és visszaküldi a választ
  5. A Spring WebApp visszaadja a kapott választ a ReactJS-es alkalmazásnak (amely megmutatja azt a felhasználónak)

A fenti példa lokális szükséges kód megtalálható az alábbi kódtárban (a szerző engedélyével): http://github.com/rinormaloku/k8s-mastery

Első lépés: microservice alapú alkalmazás futtatása lokálisan

Mindhárom alkalmazást futtatnunk kell lokálisan, kezdjük hát a legtetszetősebbel, a frontend alkalmazással.

A React-os környezet telepítése

Az SA-frontend életre keltéséhez NodeJS-re és NPM-re van szükségünk. Miután e kettőt feltelepítetted, lépj be az sa-frontend mappába és ott add ki:

npm install

Ezzel letöltjük az összes Javascript függőséget, amely a React alkalmazáshoz szükséges. Ezek a node_modules mappába kerülnek. (A függőségeket a package.json file írja le.) Miután minden függőség lejött, add ki a következő parancsot:

npm start

Ennyi! Ezzel elindítottuk az első React-os alkalmazásunkat, amelyet a localhost-on a 3000-es porton érsz el:

http://localhost:3000

A következő lépés a React alkalmazásunk felkészítése éles környezetre.

A React alkalmazásunk felkészítése éles környezetre

Ehhez az alkalmazásunkat statikus file-okká kell alakítanunk, majd egy web szerveren keresztül kell elérhetővé tenni. Még mindig az sa-frontend mappában adjuk ki a következő parancsot:

npm run build

A fenti parancs egy “build” nevű mappát hoz létre, amely a React alkalmazásunk összes statikus file-ját tartalmazza.

Statikus file-ok kiszolgálása Nginx-szel

A hivatkozott leírást követve tegyünk fel egy Nginx-et, majd mozgassuk az sa-fontend/build mappa teljes tartalmát az Nginx /html mappájába.

Így az alkalmazás legenerált index.html file-ja elérhető lesz a lokális Nginx fő mappája alatt  /html/index.html-ként. Ez lesz az a file, amit az Nginx alapértelmezettként kiszolgál.

Az Nginx alapesetben a 80-as porton szolgál ki, vagyis lokálisan a http://localhost:80 címen a ReactJS alkalmazásunknak kell feltűnnie:

 

Fig. 3. React app served from Nginx

Ha ebben a stádiumban beírunk egy mondatot és rákattintunk a SEND gombra, akkor még egy 404-es hibát kell, hogy kapjunk. Miért is van ez?

Vizsgáljuk meg a kódot

Az App.js file-ban keressük meg azt a részt, ami akkor hívódik meg, amikor a SEND gombot megnyomjuk. A SEND gomb az “analyzeSentence” metódust hívja meg.

analyzeSentence() {
   fetch('http://localhost:8080/sentiment', {  // #1
       method: 'POST',
       headers: {
           'Content-Type': 'application/json'
       },
       body: JSON.stringify({
                      sentence: this.textField.getValue()})// #2
   })
       .then(response => response.json())
       .then(data => this.setState(data));  // #3
}

A #1 számozás azt az URL-t jelöli, amelyikre a POST hívás érkezik. (Egy alkalmazásnak ezen az URL-en kell figyelnie).

A #2 számozásnál a kérés törzsét küldjük be, ami esetünkben:

{
   sentence: “I like yogobella!”
}

A #3 számozásnál frissül a komponens állapota. Ezzel a komponens újra leképeződik. Ha adatot kapunk a háttérből, akkor az is megjelenik.

Minden helyesnek tűnik. Viszont semmi sem figyel a 8080-as porton. Ez az, ami hiányzik. A Spring-es web alkalmazásunkat is el kell indítanunk.

 

Fig. 4. Microservice Spring WebApp missing

A Spring-es web alkalmazás beállítása

A Java-s alkalmazás futtatásához szükséged lesz JDK8-ra és Maven-re. Miután ezeket feltetted, folytassuk a következőkkel.

Az alkalmazás JAR-ba csomagolása

Lépjünk be az sa-webapp mappába és ott adjuk ki a következő parancsot:

mvn install

Ezzel létrejön egy “target” mappa az sa-webapp-on belül. A “target” mappában az alábbi file keletkezett: “sentiment-analysis-web-0.0.1-SNAPSHOT.jar”

A Java alkalmazásunk indítása

A “target” mappában add ki a következő parancsot:

java -jar sentiment-analysis-web-0.0.1-SNAPSHOT.jar

Paffff. Az alkalmazás elhasal a következő hibával:

Error creating bean with name 'sentimentController': Injection of autowired dependencies failed; nested exception is java.lang.IllegalArgumentException: Could not resolve placeholder 'sa.logic.api.url' in value "${sa.logic.api.url}"

A nyomravezető tipp a kiemelt részben látható.

Vizsgáljuk meg a Java kódot

A SentimentController-ben az alábbi rész az érdekes:

@CrossOrigin(origins = "*")
@RestController
public class SentimentController {
@Value("${sa.logic.api.url}")    // #1
   private String saLogicApiUrl;
@PostMapping("/sentiment")
   public SentimentDto sentimentAnalysis(
                           @RequestBody SentenceDto sentenceDto) {
       RestTemplate restTemplate = new RestTemplate();
return restTemplate.postForEntity(
               saLogicApiUrl + "/analyse/sentiment",    // #2
               sentenceDto, SentimentDto.class)
               .getBody();
   }
}

Az 1# számozású sorban a “sa.logic.api.url” értékével töltjük fel a “saLogicApiUrl”-t.

A #2 számozásnál a “saLogicApiUrl”-hez még hozzáadjuk a “/analyse/sentiment” részt, és ezzel teljes lesz az az URL, amit a Java alkalmazásunknak meg kell hívnia.

Állítsuk be ezt a Java property-t az alábbi módon, most kivételesen nem egy application.properties file-ból, hanem egyszerűen egy parancsból:

java -jar sentiment-analysis-web-0.0.1-SNAPSHOT.jar

   --sa.logic.api.url=WHAT.IS.THE.SA.LOGIC.API.URL

Vagyis esetünkben ez legyen “localhost:5000”, tehát:

java -jar sentiment-analysis-web-0.0.1-SNAPSHOT.jar

   --sa.logic.api.url=http://localhost:5000

Így nem lesz már eltörve az út a backend alkalmazásig. Ez a háttér alkalmazás viszont még nem fut. A következő lépésben ezt kell elindítanunk.

A Python alkalmazás beállítása

A Python alkalmazás lokális futtatásához szükségünk lesz egy Python3-ra és Pip-re.

Telepítsük fel a függőségeket.

Navigáljunk az sa-logic/sa mappába, ahol adjuk ki az alábbi parancsokat:

python -m pip install -r requirements.txt
python -m textblob.download_corpora

Majd indítsuk el a Python alkalmazást:

python sentiment_analysis.py
* Running on http://0.0.0.0:5000/ (Press CTRL+C to quit)

Ezzel a háttér alkalmazásunk az 5000-es porton figyel és várja a kéréseket.

Így teljes a kép, az alábbiak alapján lokálisan működik minden komponens:

 

Nyissuk ki tehát újra a böngészőnket és hívjuk be a frontend alkalmazást. Most már nem szabad, hogy 404-et kapjunk, mindennek működnie kell.

Minden szép és jó, viszont ezek a komponensek még nem készek a Kubernetes-re. Ezeket először egyenként konténerizálni kell.

Erre térünk ki a cikksorozat következő részében.

Dockerre fel!