蓝易云:在Kubernetes client-go库中如何有效构建CRD的informer

简介: 构建并运行Informer之后,你的应用现在能够实时地响应Kubernetes中的CRD资源变化事件。这是一个强大的模式,它可以使得你的应用更加智能地与你的Kubernetes集群互动。通过上述步骤,你可以创建一个强大、可扩展且与Kubernetes紧密集成的系统。

在Kubernetes ecosystem中,client-go库是一个强大的集合,它提供了与Kubernetes API进行交互的工具,使得我们可以在自己的应用程序中进行创建、配置以及管理Kubernetes资源。而对于自定义资源的定义(CRD),client-go也提供了informer的机制,此机制能够帮助我们监听资源的变化事件(如创建、更新和删除事件)。

构建一个CRD的Informer涉及以下几个核心步骤:

  1. 通过CRD定义生成客户端集合:首先,基于CRD定义生成相应的客户端代码。你可能需要使用如k8s.io/code-generator这样的代码生成工具来生成相应的API客户端代码。
  2. 建立自定义的Informer工厂:然后你需要通过从client-go中导入的工厂模块来建立自定义的Informer工厂实例。这个实例会根据你的自定义资源类型创建一个新的Informer。
  3. 创建和配置Informer:通过Informer工厂实例来创建Informer,在这个步骤中你可以对Informer进行配置,比如设置同步时间间隔,它决定了Informer多久拉取一次资源的最新状态。
  4. 设置事件处理程序:一旦Informer被创建,你需要设置资源事件的处理程序(handlers),例如当资源被添加、更新或删除时,你可以注册自定义逻辑来反应这些事件。
  5. 运行Informer:最后,启动Informer。Informer将在后台运行,并且监听自定义资源的变化,一旦发生变化,它就会调用你为这些事件注册的处理程序。

下面将详细阐述这些步骤。

1. 通过CRD定义生成客户端集合

使用k8s.io/code-generator这样的工具可以自动根据你的CRD定义生成Go语言的客户端库。这样可以为你的自定义资源类型生成类型化的客户端代码,通过这些代码,你可以更为简单地操作Kubernetes中的自定义资源。

2. 建立自定义的Informer工厂

与client-go库中为核心Kubernetes资源提供的Informer相似,你可以为CRD实现自己的Informer工厂。这通常涉及到引用自动生成的客户端集合,并且创建一个新的Informer工厂实例。

例如:

import (
    "mycustomclientset "github.com/myorganization/myproject/pkg/client/clientset/versioned"
    "k8s.io/client-go/informers"
    "k8s.io/client-go/tools/cache"
)

// 使用自定义clientset创建Informer工厂
factory := informers.NewSharedInformerFactory(mycustomclientset, time.Minute*10)
​

3. 创建和配置Informer

通过Informer工厂,构建出你的CRD资源对应的Informer。

informer := factory.ForResource(myCustomResourceGVR).Informer()
​

4. 设置事件处理程序

设置用于处理不同事件的回调函数,如添加、更新、删除等。

informer.AddEventHandler(cache.ResourceEventHandlerFuncs{
    AddFunc: func(newObj interface{}) {
        // 处理新增资源的逻辑
    },
    UpdateFunc: func(oldObj, newObj interface{}) {
        // 处理更新资源的逻辑
    },
    DeleteFunc: func(obj interface{}) {
        // 处理删除资源的逻辑
    },
})
​

5. 运行Informer

最后,你需要启动Informer,这通常是在你的应用程序的主函数或某个goroutine中完成。

stopCh := make(chan struct{})
defer close(stopCh)

// 启动Informer
go informer.Run(stopCh)

// 等待Informer关闭
<-stopCh
​

构建并运行Informer之后,你的应用现在能够实时地响应Kubernetes中的CRD资源变化事件。这是一个强大的模式,它可以使得你的应用更加智能地与你的Kubernetes集群互动。通过上述步骤,你可以创建一个强大、可扩展且与Kubernetes紧密集成的系统。

目录
相关文章
|
6天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
263 155
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
200 105
|
9天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
679 5
|
12天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
804 152