来自：探索云原生 https://www.lixueduan.com
原文：https://www.lixueduan.com/posts/devops/argo-workflow/01-deploy-argo-workflows/
本文主要记录了如何在 k8s 上快速部署云原生的工作流引擎 ArgoWorkflow。
ArgoWorkflow 是什么
Argo Workflows 是一个开源的云原生工作流引擎，用于在 Kubernetes 上编排并行作业。Argo 工作流作为Kubernetes CRD 实现。
- 定义工作流，其中工作流中的每个步骤都是一个容器。
- 将多步骤工作流建模为一系列任务，或使用 DAG 来捕获任务之间的依赖关系图。
- 使用 Argo 可以在很短的时间内在 Kubernetes 上轻松运行机器学习或数据处理的计算密集型作业
一句话描述：ArgoWorkflow 是一个用于在 Kubernetes 上编排并行作业的开源云原生工作流引擎。
组件
相对于 Tekton 来说，ArgoWorkflow 组件比较少，整体架构比较简单。
核心组件：
- argo-server：为工作流提供 API 和 UI 界面。
- workflow-controller：真正干活的组件，解析用户创建的 CR 对象并启动 Pod 来真正运行流水线
部署
官方提供 helm chart 可以一键部署，完整命令如下：
# 添加参考并更新
helm repo add argo https://argoproj.github.io/argo-helm
helm repo update
# 部署
# -set server.authMode=server 配置切换认证模式，便于免token 登录 UI 界面
helm install argo-workflows argo/argo-workflows -n argo --create-namespace --set server.authMode=server
部署完成后会启动两个 Pod
[root@argo ~]# kubectl -n argo get po
NAME READY STATUS RESTARTS AGE
argo-server-84fd55bfc-hd6qp 1/1 Running 0 2m16s
workflow-controller-557756b7c8-blmp7 1/1 Running 0 2m16s
然后将 Service 切换为 NodePort 便于访问
kubectl patch svc argo-workflows-server -n argo -p '{"spec": {"type": "NodePort"}}'
最后通过 NodePort 访问即可，就像这样：http://172.20.148.126:31691
[root@argo ~]# kubectl -n argo get svc argo-workflows-server
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
argo-workflows-server NodePort 10.108.150.173 <none> 2746:31691/TCP 2m3s
UI 界面如下，整体和 ArgoCD 挺像的：
Demo
简单启动一个 Workflow 测试一下 ArgoWorkflow 能否正常运行。
使用以下命令创建一个 Workflow 对象：
kubectl create -f - << EOF
apiVersion: argoproj.io/v1alpha1
kind: Workflow
metadata:
generateName: steps-
spec:
entrypoint: hello # We reference our first "template" here
templates:
- name: hello # The first "template" in this Workflow, it is referenced by "entrypoint"
steps: # The type of this "template" is "steps"
- - name: hello
template: whalesay # We reference our second "template" here
arguments:
parameters: [{name: message, value: "Hello ArgoWorkflow!"}]
- name: whalesay # The second "template" in this Workflow, it is referenced by "hello"
inputs:
parameters:
- name: message
container: # The type of this "template" is "container"
image: docker/whalesay
command: [cowsay]
args: ["{{inputs.parameters.message}}"]
EOF
功能也很简单，就是打印 Hello ArgoWorkflow! 这句话。
查看状态
[root@argo ~]# kubectl get workflow
NAME STATUS AGE MESSAGE
steps-75xmq Running 6s
可以看到，当前处于 Running 状态，不过这是一个非常简单的任务，因此很快就会结束,时间应该是耗费在拉取镜像上。
查看 Pod 运行情况
[root@argo ~]# kubectl get po -w
NAME READY STATUS RESTARTS AGE
steps-75xmq-whalesay-1542601109 0/2 PodInitializing 0 96s
看起来正在拉取镜像，等一下
[root@argo ~]# kubectl get po
NAME READY STATUS RESTARTS AGE
steps-75xmq-whalesay-1542601109 0/2 Completed 0 2m58s
[root@argo ~]# kubectl get workflow
NAME STATUS AGE MESSAGE
steps-75xmq Succeeded 3m6s
Pod 已经运行完成了，Workflow 也进行 Successed 状态，查看 Pod 日志，确认是否真的执行了
[root@argo ~]# kubectl logs -f steps-75xmq-whalesay-1542601109
_____________________
< Hello ArgoWorkflow! >
---------------------
\
\
\
## .
## ## ## ==
## ## ## ## ===
/""""""""""""""""___/ ===
~~~ {~~ ~~~~ ~~~ ~~~~ ~~ ~ / ===- ~~~
\______ o __/
\ \ __/
\____\______/
time="2023-10-20T08:48:32.163Z" level=info msg="sub-process exited" argo=true error="<nil>"
可以看到，确实打印出了 “Hello ArgoWorkflow” 这句话，至此说明我们部署的 ArgoWorkflow 是能够正常运行的。
到这里 ArgoWorkflow 的部署就完成了，如果理解不了这个 demo 中做的事情也没关系，后续会有 ArgoWorkflow 的使用教程,敬请期待~
下期预告：Workflow & Template 概念模型， 构建 ArgoWorkflow 流水线。
