使用 Pod 故障策略处理可重试和不可重试的 Pod 故障

本文档向你展示了如何结合默认的 Pod 退避故障策略，使用 Pod 故障策略，以改进对 Job 中容器或 Pod 级别故障的处理控制。

Pod 故障策略的定义可以帮助你：

• 通过避免不必要的 Pod 重试来更好地利用计算资源。
• 避免因 Pod 中断（例如抢占、API 发起的逐出或基于污点的逐出）导致的 Job 故障。

准备工作

你应该已经熟悉 Job 的基本用法。

你需要有一个 Kubernetes 集群，并且 kubectl 命令行工具已配置为与你的集群通信。建议在至少有两个不作为控制平面主机的节点集群上运行本教程。如果你还没有集群，可以使用 minikube 创建一个，或者使用以下 Kubernetes 演练环境之一：

• iximiuz Labs
• Killercoda
• KodeKloud
• Play with Kubernetes

要检查版本，请输入 kubectl version。

使用场景

考虑以下定义了 Pod 故障策略的 Job 使用场景：

• 避免不必要的 Pod 重试
• 忽略 Pod 中断
• 基于自定义 Pod 状况避免不必要的 Pod 重试
• 避免每个索引不必要的 Pod 重试

使用 Pod 故障策略避免不必要的 Pod 重试

通过以下示例，你可以学习如何使用 Pod 故障策略来避免当 Pod 故障表示不可重试的软件 bug 时，不必要的 Pod 重启。

1. 检查以下清单：

   /controllers/job-pod-failure-policy-failjob.yaml

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: job-pod-failure-policy-failjob
   spec:
     completions: 8
     parallelism: 2
     template:
       spec:
         restartPolicy: Never
         containers:
         - name: main
           image: docker.io/library/bash:5
           command: ["bash"]
           args:
           - -c
           - echo "Hello world! I'm going to exit with 42 to simulate a software bug." && sleep 30 && exit 42
     backoffLimit: 6
     podFailurePolicy:
       rules:
       - action: FailJob
         onExitCodes:
           containerName: main
           operator: In
           values: [42]
   

2. 应用清单

   kubectl create -f https://k8s.io/examples/controllers/job-pod-failure-policy-failjob.yaml
   

3. 大约 30 秒后，整个 Job 应该会终止。运行以下命令检查 Job 的状态：

   kubectl get jobs -l job-name=job-pod-failure-policy-failjob -o yaml
   

   在 Job 状态中，显示以下状况：

   • FailureTarget 状况：其 reason 字段设置为 PodFailurePolicy，并且 message 字段包含有关终止的更多信息，例如 Container main for pod default/job-pod-failure-policy-failjob-8ckj8 failed with exit code 42 matching FailJob rule at index 0。一旦 Job 被视为故障，Job 控制器就会添加此状况。有关详细信息，请参阅 Job Pod 的终止。
   • Failed 状况：与 FailureTarget 状况具有相同的 reason 和 message。Job 控制器在所有 Job 的 Pod 终止后添加此状况。

   相比之下，如果禁用了 Pod 故障策略，Pod 将需要重试 6 次，至少需要 2 分钟。

清理

删除你创建的 Job

kubectl delete jobs/job-pod-failure-policy-failjob

集群会自动清理 Pod。

使用 Pod 故障策略忽略 Pod 中断

通过以下示例，你可以学习如何使用 Pod 故障策略来忽略 Pod 中断，避免其增加 Pod 重试计数器以达到 .spec.backoffLimit 限制。

1. 检查以下清单：

   /controllers/job-pod-failure-policy-ignore.yaml

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: job-pod-failure-policy-ignore
   spec:
     completions: 4
     parallelism: 2
     template:
       spec:
         restartPolicy: Never
         containers:
         - name: main
           image: docker.io/library/bash:5
           command: ["bash"]
           args:
           - -c
           - echo "Hello world! I'm going to exit with 0 (success)." && sleep 90 && exit 0
     backoffLimit: 0
     podFailurePolicy:
       rules:
       - action: Ignore
         onPodConditions:
         - type: DisruptionTarget
   

2. 应用清单

   kubectl create -f https://k8s.io/examples/controllers/job-pod-failure-policy-ignore.yaml
   

3. 运行此命令检查 Pod 调度到的 nodeName：

   nodeName=$(kubectl get pods -l job-name=job-pod-failure-policy-ignore -o jsonpath='{.items[0].spec.nodeName}')
   

4. 排空节点以在 Pod 完成之前（90 秒内）驱逐 Pod：

   kubectl drain nodes/$nodeName --ignore-daemonsets --grace-period=0
   

5. 检查 .status.failed 以查看 Job 的计数器是否未递增

   kubectl get jobs -l job-name=job-pod-failure-policy-ignore -o yaml
   

6. 恢复调度节点

   kubectl uncordon nodes/$nodeName
   

Job 继续并成功。

相比之下，如果禁用 Pod 故障策略，Pod 中断将导致整个 Job 终止（因为 .spec.backoffLimit 设置为 0）。

清理

删除你创建的 Job

kubectl delete jobs/job-pod-failure-policy-ignore

集群会自动清理 Pod。

使用 Pod 故障策略基于自定义 Pod 状况避免不必要的 Pod 重试

通过以下示例，你可以学习如何使用 Pod 故障策略基于自定义 Pod 状况避免不必要的 Pod 重启。

1. 检查以下清单：

   /controllers/job-pod-failure-policy-config-issue.yaml

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: job-pod-failure-policy-config-issue
   spec:
     completions: 8
     parallelism: 2
     template:
       spec:
         restartPolicy: Never
         containers:
         - name: main
           image: "non-existing-repo/non-existing-image:example"
     backoffLimit: 6
     podFailurePolicy:
       rules:
       - action: FailJob
         onPodConditions:
         - type: ConfigIssue
   

2. 应用清单

   kubectl create -f https://k8s.io/examples/controllers/job-pod-failure-policy-config-issue.yaml
   

   请注意，镜像配置错误，因为它不存在。

3. 运行以下命令检查 Job 的 Pod 状态：

   kubectl get pods -l job-name=job-pod-failure-policy-config-issue -o yaml
   

   你将看到类似以下内容的输出：

   containerStatuses:
   - image: non-existing-repo/non-existing-image:example
      ...
      state:
      waiting:
         message: Back-off pulling image "non-existing-repo/non-existing-image:example"
         reason: ImagePullBackOff
         ...
   phase: Pending
   

   请注意，由于无法拉取配置错误的镜像，Pod 仍处于 Pending 阶段。原则上，这可能是一个瞬态问题，镜像可以被拉取。但是，在这种情况下，镜像不存在，因此我们通过自定义状况来指示此事实。

4. 添加自定义状况。首先通过运行以下命令准备补丁：

   cat <<EOF > patch.yaml
   status:
     conditions:
     - type: ConfigIssue
       status: "True"
       reason: "NonExistingImage"
       lastTransitionTime: "$(date -u +"%Y-%m-%dT%H:%M:%SZ")"
   EOF
   

   其次，通过运行以下命令选择 Job 创建的一个 Pod：

   podName=$(kubectl get pods -l job-name=job-pod-failure-policy-config-issue -o jsonpath='{.items[0].metadata.name}')
   

   然后，通过运行以下命令在一个 Pod 上应用补丁：

   kubectl patch pod $podName --subresource=status --patch-file=patch.yaml
   

   如果应用成功，你将收到类似以下内容的通知：

   pod/job-pod-failure-policy-config-issue-k6pvp patched
   

5. 通过运行以下命令删除 Pod 以将其转换为 Failed 阶段：

   kubectl delete pods/$podName
   

6. 通过运行以下命令检查 Job 的状态：

   kubectl get jobs -l job-name=job-pod-failure-policy-config-issue -o yaml
   

   在 Job 状态中，查看 Job 的 Failed 状况，其 reason 字段等于 PodFailurePolicy。此外，message 字段包含有关 Job 终止的更详细信息，例如：Pod default/job-pod-failure-policy-config-issue-k6pvp has condition ConfigIssue matching FailJob rule at index 0。

清理

删除你创建的 Job

kubectl delete jobs/job-pod-failure-policy-config-issue

集群会自动清理 Pod。

使用 Pod 故障策略避免每个索引不必要的 Pod 重试

为了避免每个索引不必要的 Pod 重启，你可以使用 Pod 故障策略和每个索引的退避限制功能。本页的这一部分展示了如何一起使用这些功能。

1. 检查以下清单：

   /controllers/job-backoff-limit-per-index-failindex.yaml

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: job-backoff-limit-per-index-failindex
   spec:
     completions: 4
     parallelism: 2
     completionMode: Indexed
     backoffLimitPerIndex: 1
     template:
       spec:
         restartPolicy: Never
         containers:
         - name: main
           image: docker.io/library/python:3
           command:
             # The script:
             # - fails the Pod with index 0 with exit code 1, which results in one retry;
             # - fails the Pod with index 1 with exit code 42 which results
             #   in failing the index without retry.
             # - succeeds Pods with any other index.
             - python3
             - -c
             - |
               import os, sys
               index = int(os.environ.get("JOB_COMPLETION_INDEX"))
               if index == 0:
                 sys.exit(1)
               elif index == 1:
                 sys.exit(42)
               else:
                 sys.exit(0)            
     backoffLimit: 6
     podFailurePolicy:
       rules:
       - action: FailIndex
         onExitCodes:
           containerName: main
           operator: In
           values: [42]
   

2. 应用清单

   kubectl create -f https://k8s.io/examples/controllers/job-backoff-limit-per-index-failindex.yaml
   

3. 大约 15 秒后，检查 Job 的 Pod 状态。你可以通过运行以下命令进行检查：

   kubectl get pods -l job-name=job-backoff-limit-per-index-failindex -o yaml
   

   你将看到类似以下内容的输出：

   NAME                                            READY   STATUS      RESTARTS   AGE
   job-backoff-limit-per-index-failindex-0-4g4cm   0/1     Error       0          4s
   job-backoff-limit-per-index-failindex-0-fkdzq   0/1     Error       0          15s
   job-backoff-limit-per-index-failindex-1-2bgdj   0/1     Error       0          15s
   job-backoff-limit-per-index-failindex-2-vs6lt   0/1     Completed   0          11s
   job-backoff-limit-per-index-failindex-3-s7s47   0/1     Completed   0          6s
   

   请注意，输出显示以下内容：

   • 由于允许对索引进行一次重试的退避限制，有两个 Pod 的索引为 0。
   • 只有一个 Pod 的索引为 1，因为失败 Pod 的退出代码与 FailIndex 动作的 Pod 故障策略匹配。

4. 通过运行以下命令检查 Job 的状态：

   kubectl get jobs -l job-name=job-backoff-limit-per-index-failindex -o yaml
   

   在 Job 状态中，可以看到 failedIndexes 字段显示“0,1”，因为两个索引都失败了。由于索引 1 未重试，因此状态字段“failed”表示的失败 Pod 数量等于 3。

清理

删除你创建的 Job

kubectl delete jobs/job-backoff-limit-per-index-failindex

集群会自动清理 Pod。

替代方案

你可以完全依赖 Pod 退避故障策略，通过指定 Job 的 .spec.backoffLimit 字段。然而，在许多情况下，在为 .spec.backoffLimit 设置一个低值以避免不必要的 Pod 重试，同时又足够高以确保 Job 不会被 Pod 中断终止之间找到平衡是很有问题的。