1.【技术干货】kubectl源码阅读—get命令
2.一张图搞懂 kubectl apply 和 edit 的区别
3.三种不同场景下的 Kubernetes 服务调试方法
4.在Kubernetes上运行一个 Python 应用程序
5.听GPT 讲K8s源代码--cmd(一)
6.kubectlapply和create的区别?
【技术干货】kubectl源码阅读—get命令
技术解析kubectl源码解析：get命令的关键逻辑 在深入研究kubectl源码时，get命令的实现揭示了几个关键点。首先，kubectl的子命令结构由cobra包的Command结构体定义，它包含了子命令集合和核心执行逻辑。get、小甲鱼链表源码describe和create等是kubectl的子命令，它们在command.Execute()方法中通过参数查询并执行相应的逻辑。 get命令的核心在于一个接收和保存参数的结构体，结合pflag包。具体到get命令，关键在于o.Run方法，其中kubectl通过一个名为r的构建器来访问接口获取数据。这个过程使用了访问者模式，r.visitor链式调用了多个装饰器，如FlattenListVisitor和Selector，从而决定了输出的表头和状态信息。 在数据获取过程中，kubectl调用的接口并不普通，而是带有特殊的header 'as=Table'。这个header的添加是在client的构建和传递过程中通过requestTransforms回调实现的。通过追踪，我们可以发现restMapper是如何与Builder对象结合的，进而找到资源别名的转换逻辑。 最终，kubectl通过e.discoveryClient.ServerGroupsAndResources()方法获取到所有k8s资源的别名，从而实现了从get po到get svc等命令的别名转换。kubectl的get命令不仅动态调整表头，还能够处理各种状态信息，疯狂源码论坛这些都是通过其底层的接口调用和数据处理机制实现的。一张图搞懂 kubectl apply 和 edit 的区别
当在 Kubernetes 集群中部署了一个 Deployment 资源，并通过模板和 kubectl apply 命令进行更新时，一个常见的疑问是：如果直接在集群中使用 kubectl edit 添加新的配置项，然后再次使用模板和 apply 命令（不包含 edit 中新增的部分），新增的配置是否会丢失？
答案是：不会丢失。kubectl apply 的执行原理不同于直接编辑。当使用 apply 时，它会对比集群中当前资源的 last-apply-anno（如 kubevela 中的 oam-last-apply）与要应用的新资源，计算出需要更新的部分，而不是简单地覆盖所有改动。这意味着，即使你通过 edit 增加的内容，apply 会保留这部分，除非它在计算 patch 时被明确排除。
如果你经常遇到 patch 失败而 apply 成功的情况，深入理解 apply 的实现逻辑会很有帮助。可以参考我的另一篇文章《kubectl apply 源码解析》来深入学习。
三种不同场景下的 Kubernetes 服务调试方法
在开发和调试 Kubernetes 生产环境下的服务时，会遇到各种调试需求。本文将介绍三种不同场景下的解决方案和相应的工具。基本配置
假设我们有三个服务：service-front 面向外部，通过服务暴露；service-front 后端是 service-middle，后者又依赖 service-back。通信通过 Kubernetes 服务进行。安装配置如下： 源代码可在：github.com/erkanerol/se...工具1：kubectl port-forward
场景：开发者希望在不影响其他服务的情况下，通过 service-back 直接发送请求并查看结果，但 service-back 不对外公开。java源码 github 解决方案：使用 kubectl 的 port-forward 功能创建本地到集群的隧道。 步骤：在终端运行：kubectl port-forward service-back: localhost:
在另一个终端中，尝试用 curl 访问 localhost: 来验证连接。
工具2：kubefwd
场景：开发者希望在本地 IDE 中设置断点调试 service-front，但 service-front 和依赖服务难以本地模拟。 解决方案：kubefwd 可以批量端口转发并管理本地 DNS，简化配置。 步骤：运行：kubefwd service-front:
使用 sudo，配置 KUBECONFIG，运行本地 front 应用并设置断点。
在集群中测试服务交互。
工具3：telepresence
场景：开发者需要在本地调试 service-middle，同时 service-middle 依赖 service-back，并且集群环境不易模拟。 解决方案：telepresence 提供双向通道，支持本地服务与集群服务间的调试。 步骤：删除集群中的 service-middle，运行 telepresence。
本地运行 middle 应用并设置断点。
通过集群临时 Pod 发送请求到 service-front。
总结：对于不暴露服务的访问，kubectl port-forward 足够。
本地调试时，kubefwd 管理 DNS，提供单向通道。
需要双向通道和依赖服务调试时，使用 telepresence。
在Kubernetes上运行一个 Python 应用程序
在Kubernetes上部署Python应用程序
Kubernetes是rabbitmq go源码一个开源平台，用于部署、维护和扩展容器化应用程序。它提供了一个简单且强大的框架，帮助用户管理容器化Python应用，同时保持可移植性、可扩展性和自我修复能力。
不论Python应用的复杂度如何，Kubernetes都能高效地部署和伸缩它们，并在资源有限的环境中进行滚动升级。本文将引导你完成在Kubernetes上部署简单Python应用的过程，包括必需条件、容器化Python应用、创建容器镜像、发布镜像、使用持久卷等步骤。
部署前，确保你已安装Docker和kubectl，并准备好源代码。Docker是一个构建和承载已发布应用的平台，通过其官方文档进行安装验证。kubectl是用于在Kubernetes集群上运行命令的命令行工具。
部署应用至Kubernetes要求应用为容器化形式。本文将回顾Python应用的容器化过程，解释容器化及其优势，并参考Roman Gaponov的文章为Python代码创建容器。
接下来，我们将通过Dockerfile构建Python容器镜像。Dockerfile包含运行示例Python代码的js 源码乱码指令，使用Python 3.5作为开发环境。使用命令构建镜像，然后发布到私有或公共云仓库，如Docker Hub。
在发布镜像前，为它添加版本号。对于使用不同云注册中心的情况，可参考其相关信息。在本教程中，我们将使用Docker Hub。
使用Docker命令将镜像推送到云仓库。对于Kubernetes，将使用CephFS作为持久卷提供商。创建文件以配置CephFS存储，并使用kubectl将持久卷添加到Kubernetes集群。
部署Python应用至Kubernetes的最后一步是创建服务文件和部署文件。使用提供的内容创建这些文件，然后通过kubectl将应用部署到Kubernetes集群。
验证应用是否成功部署，通过检查运行的服务。Kubernetes可简化未来应用部署的复杂性。
欲深入了解Python知识，推荐Nanjekye的书，包含在Python 2和3上编写可靠代码的完整方法，以及如何转换Python 2代码以在Python 2和3上稳定运行的详细示例。
本文由Joannah Nanjekye撰写，是一位充满激情的飞行员，专注于用代码解决问题。本文译者为qhwdw，校对由wxy完成。
了解更多关于作者的信息
来源：opensource.com/article/...
作者：Joannah Nanjekye
译者：qhwdw
校对：wxy
本文由LCTT原创编译，Linux中国荣誉推出
听GPT 讲K8s源代码--cmd(一)
在 Kubernetes（K8s）的cmd目录中，包含了一系列命令行入口文件或二进制文件，它们主要负责启动、管理和操控Kubernetes相关组件或工具。这些文件各司其职，如：
1. **check_cli_conventions.go**: 该文件作用于检查CLI约定的规范性，确保命令行工具的一致性和易用性。它提供函数逐项验证命令行工具的帮助文本、标志名称、标志使用、输出格式等，输出检查结果并提供改进意见。
2. **cloud_controller_manager**: 这是启动Cloud Controller Manager的入口文件。Cloud Controller Manager是Kubernetes控制器之一，负责管理和调度与云平台相关的资源，包括负载均衡、存储卷和云硬盘等。
3. **kube_controller_manager**: 定义了NodeIPAMControllerOptions结构体，用于配置和管理Kubernetes集群中的Node IPAM（IP地址管理）控制器。此文件包含配置选项、添加选项的函数、应用配置的函数以及验证配置合法性的函数。
4. **providers.go**: 用于定义和管理云提供商的资源。与底层云提供商进行交互，转换资源对象并执行操作，确保Kubernetes集群与云提供商之间的一致性和集成。
5. **dependencycheck**: 用于检查项目依赖关系和版本冲突，确保依赖关系的正确性和没有版本冲突。
6. **fieldnamedocs_check**: 检查Kubernetes代码库中的字段名称和文档是否符合规范，确保代码的规范性和文档的准确性。
7. **gendocs**: 生成Kubernetes命令行工具kubectl的文档，提供命令的用法说明、示例、参数解释等信息，方便用户查阅和使用。
8. **genkubedocs**: 生成用于文档生成的Kubernetes API文档，遍历API组生成相应的API文档。
9. **genman**: 用于生成Kubernetes命令的man手册页面，提供命令的说明、示例和参数等信息。
. **genswaggertypedocs**: 生成Kubernetes API的Swagger类型文档，提供API的详细描述和示例。
. **genutils**: 提供代码生成任务所需的通用工具函数，帮助在代码生成过程中创建目录和文件。
. **genyaml**: 为kubectl命令生成YAML配置文件，方便用户定义Kubernetes资源。
. **importverifier**: 检查代码中的导入依赖，并验证其是否符合项目中的导入规则。
. **kube_apiserver**: 实现kube-apiserver二进制文件的入口点，负责初始化和启动关键逻辑。
. **aggregator**: 为聚合API提供支持，允许用户将自定义API服务注册到Kubernetes API服务器中，实现与核心API服务的集成。
这些文件共同构建了Kubernetes命令行界面的底层逻辑，使得Kubernetes的管理与操作变得更加高效和灵活。
kubectlapply和create的区别?
在操作Kubernetes集群时，常使用kubectl或client-go等SDK进行资源管理。面对一个问题，即在已部署资源如deployment上使用kubectl apply与kubectl edit的区别。
假设在集群中部署了特定的deployment资源，该资源通常通过模板渲染后使用kubectl apply命令进行更新。若直接在集群上使用kubectl edit增加额外配置项，然后通过模板继续apply更新（不包含edit新增的部分），那么edit命令增加的部分会否在下次apply时被置空？
解答是，不会置空。具体来说，kubectl apply在计算最终patch数据时，需要删减的部分基于集群中当前资源的last-apply-anno与要apply资源的比较获得。与之类似，oam实现的kubevela在deployment上维护oam-last-apply，因此原理相同。值得注意的是，从kubectl apply迁移到oam时，两者维护的last-apply-anno不一致可能导致的问题。
若频繁遭遇patch失败（client-go/kubectl patch），但kubectl apply无此问题，建议深入理解kubectl apply的实现逻辑。一篇关于其源码分析的文章可供参考。
k8s要学多久
学习Kubernetes的基础知识并不困难，特别是如果你已经有半个月的Docker使用经验。主要挑战在于封装镜像时需要考虑挂载、拆分和启动检测等问题。
安装Kubernetes本身就是一个复杂的过程。前期的安装尝试包括自动化安装、手动安装、脚本自动化安装、Ansible安装和离线安装，这耗费了我大约一个月的时间。随后，我遇到了一些环境和网络问题，导致pod一直重启，这个问题持续了大约两个月。我尝试更换为实体机，问题有所缓解，但最终估计还是网络不稳定导致。
学习kubectl命令和Kubernetes的基本组件（如pod、svc、deployment、daemonset、statefulset、headlessService、rc、kube-proxy、rbac等）也是需要花费时间的。我花了大约一个月时间来理解这些组件的原理，尤其是新版本的rbac权限问题。Kubernetes的复杂性主要在于其体系架构，一旦理解了架构，就理解了大部分的内容。
在对开源工程domeos进行研究后，我使用了两个月时间来调研该开源工程的源码，以及它自带的一些小米open-falcon监控插件、webssh等插件。这些研究涉及使用Springboot开发，连接Kubernetes环境，部署和监控基本应用。
为了调优日志和监控，我又花费了一个多月的时间来调研一些开源产品，如efk日志插件、Prometheus与heaspter监控组件、habor镜像仓库等。
最后，我开始使用Helm这一编排工具，根据Hadoop的过程改造公司的一个mpp产品，并实现一键式部署。这同样花费了一个多月的时间。在这一过程中，我还研究了Hadoop的扩容、亲和性、带状态应用部署等问题，以及数据删除问题。
