⏲ Add initContainers to jobs to wait for dependencies instead of crashing (demos)
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 35/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Bastante claro
- Estado de actividad
- Estancado
- Stack tecnológico
- kubernetes
- Área
- devops, infrastructure
Línea de trabajo
Comienza con demos/demos-v2.yaml y revisa las demos enumeradas, usando los archivos serviceaccount.yaml y setup-superset.yaml vinculados de nifi-kafka-druid-water-level-data como referencia. Comprueba los manifiestos de Kubernetes de cada demo aplicable para verificar las esperas de dependencias, el RBAC con ámbito de namespace y los ServiceAccounts asociados. Se considera terminado cuando los pods de las demos aplicables esperan a las dependencias en lugar de mostrar fallos prematuros de CrashLoopBackOff.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
[!NOTE]
This came out of the 25.3.0 Release Retro
Many demos have (Job or other) pods showing CrashLoopBackoff until their dependencies are satisfied.
This causes confusion when launching demos, especially during demo testing.
Each stack/demo should make use of initContainers to wait for dependencies to be satisfied without giving false failure indications.
[!TIP]
- Ensure a ServiceAccount is created and attached to applicable Pods, and give it permissions to watch Jobs/Pods so it can wait.
- Ensure the ServiceAccount doesn't specify a
namespaceso that the demo can be installed into any namespace.- Use namespace scoped RBAC (Role/RoleBinding instead of ClusterRole/ClusterRoleBinding).
List of demos
List generation command
cat demos/demos-v2.yaml | yq -yr '.demos | keys' | sed 's/^-/- [ ]/'
- airflow-scheduled-job
- data-lakehouse-iceberg-trino-spark
- end-to-end-security
- hbase-hdfs-load-cycling-data
- jupyterhub-keycloak
- jupyterhub-pyspark-hdfs-anomaly-detection-taxi-data
- logging
- nifi-kafka-druid-earthquake-data
- nifi-kafka-druid-water-level-data
- signal-processing
- spark-k8s-anomaly-detection-taxi-data
- trino-iceberg
- trino-taxi-data
[!WARNING]
It is possible that some stacks also need the same treatment, but most of the waiting can be done in the actual demo.
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 3
- Forks
- 13
- Merge medio
- 2 d 20 h
- PR fusionados (30 d)
- 2
Guía de contribución
No hay ninguna guía de contribución indexada para este repositorio
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de stackabletech/demos
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
stackabletech/demos#402 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 45/100
stackabletech/demos#349 ·
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
stackabletech/demos#293 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 45/100
stackabletech/demos#204 ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 35/100
stackabletech/demos#202 · 3 comentarios ·
Todos los issues de stackabletech/demos
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 84/100
copse-dev/agent-pane#2953 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 90/100
simonw/sqlite-utils#872 ·
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 84/100
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 84/100
danielmiessler/LifeOS#2215 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
sympozium-ai/sympozium#627 ·