1.错误的容器镜像/非法的仓库权限
其中两个最普遍的问题是：(a)指定了错误的容器镜像，(b)使用私有镜像却不提供仓库认证信息。这在首次使用 Kubernetes 或者绑定 CI/CD 环境时尤其棘手。
让我们看个例子。首先我们创建一个名为 fail 的 deployment，它指向一个不存在的 Docker 镜像：
|
然后我们查看 Pods，可以看到有一个状态为 ErrImagePull 或者 ImagePullBackOff 的 Pod：
|
想查看更多信息，可以 describe 这个失败的 Pod：
|
查看 describe 命令的输出中 Events 这部分，我们可以看到如下内容：
|
显示错误的那句话：Failed to pull image “rosskukulinski/dne:v1.0.0”: Error: image rosskukulinski/dne not found 告诉我们 Kubernetes无法找到镜像 rosskukulinski/dne:v1.0.0。
为什么 Kubernetes 拉不下来镜像？除了网络连接问题外，还有三个主要元凶：
- 镜像 tag 不正确
- 镜像不存在（或者是在另一个仓库）
- Kubernetes 没有权限去拉那个镜
如果你没有注意到你的镜像 tag 的拼写错误，那么最好就用你本地机器测试一下。
通常我会在本地开发机上，用 docker pull 命令，带上 完全相同的镜像 tag，来跑一下。比如上面的情况，我会运行命令 docker pull rosskukulinski/dne:v1.0.0。
-
如果这成功了，那么很可能 Kubernetes 没有权限去拉取这个镜像。参考
镜像拉取 Secrets
来解决这个问题。 - 如果失败了，那么我会继续用不显式带 tag 的镜像测试 – docker pull rosskukulinski/dne – 这会尝试拉取 tag 为 latest 的镜像。如果这样成功，表明原来指定的 tag 不存在。这可能是人为原因，拼写错误，或者 CI/CD 的配置错误。
如果 docker pull rosskukulinski/dne（不指定 tag）也失败了，那么我们碰到了一个更大的问题：我们所有的镜像仓库中都没有这个镜像。默认情况下，Kubernetes 使用
Dockerhub
镜像仓库，如果你在使用
Quay.io
，
AWS ECR
，或者
Google Container Registry
，你要在镜像地址中指定这个仓库的 URL，比如使用 Quay，镜像地址就变成
quay.io/rosskukulinski/dne:v1.0.0
。
如果你在使用 Dockerhub，那你应该再次确认你发布镜像到 Dockerhub 的系统，确保名字和 tag 匹配你的 deployment 正在使用的镜像。
注意：观察 Pod 状态的时候，镜像缺失和仓库权限不正确是没法区分的。其它情况下，Kubernetes 将报告一个 ErrImagePull 状态。
2. 应用启动之后又挂掉
无论你是在 Kubernetes 上启动新应用，还是迁移应用到已存在的平台，应用在启动之后就挂掉都是一个比较常见的现象。
我们创建一个 deployment，它的应用会在1秒后挂掉：
|
我们看一下 Pods 的状态：
|
CrashLoopBackOff 告诉我们，Kubernetes 正在尽力启动这个 Pod，但是一个或多个容器已经挂了，或者正被删除。
让我们 describe 这个 Pod 去获取更多信息
|
好可怕，Kubernetes 告诉我们这个 Pod 正被 Terminated，因为容器里的应用挂了。我们还可以看到应用的 Exit Code 是 1。后面我们可能还会看到一个 OOMKilled 错误。
我们的应用正在挂掉？为什么？
首先我们查看应用日志。假定你发送应用日志到 stdout（事实上你也应该这么做），你可以使用 kubectl logs 看到应用日志:
|
不幸的是，这个 Pod 没有任何日志。这可能是因为我们正在查看一个新起的应用实例，因此我们应该查看前一个容器:
|
什么！我们的应用仍然不给我们任何东西。这个时候我们应该给应用加点启动日志了，以帮助我们定位这个问题。我们也可以本地运行一下这个容器，以确定是否缺失环境变量或者挂载卷。
3. 缺失 ConfigMap 或者 Secret
Kubernetes 最佳实践建议通过
ConfigMaps
或者
Secrets
传递应用的运行时配置。这些数据可以包含数据库认证信息，API endpoints，或者其它配置信息。
一个常见的错误是，创建的 deployment 中引用的 ConfigMaps 或者 Secrets 的属性不存在，有时候甚至引用的 ConfigMaps 或者 Secrets 本身就不存在。
缺失 ConfigMap
第一个例子，我们将尝试创建一个 Pod，它加载 ConfigMap 数据作为环境变量：
|
让我们创建一个 Pod：kubectl create -f configmap-pod.yaml。在等待几分钟之后，我们可以查看我们的 Pod：
|
Pod 状态是 RunContainerError 。我们可以使用 kubectl describe 了解更多：
|
Events 章节的最后一条告诉我们什么地方错了。Pod 尝试访问名为 special-config 的 ConfigMap，但是在该 namespace 下找不到。一旦我们创建这个 ConfigMap，Pod 应该重启并能成功拉取运行时数据。
在 Pod 规格说明中访问 Secrets 作为环境变量会产生相似的错误，就像我们在这里看到的 ConfigMap错误一样。
但是假如你通过 Volume 来访问 Secrets 或者 ConfigMap会发生什么呢？
缺失 Secrets
下面是一个pod规格说明，它引用了名为 myothersecret 的 Secrets，并尝试把它挂为卷：
|
让我们用 kubectl create -f missing-secret.yaml 来创建一个 Pod。
几分钟后，我们 get Pods，可以看到 Pod 仍处于 ContainerCreating 状态：
|
这就奇怪了。我们 describe 一下，看看到底发生了什么：
|
Events 章节再次解释了问题的原因。它告诉我们 Kubelet 无法从名为 myothersecret 的 Secret 挂卷。为了解决这个问题，我们可以创建 myothersecret，它包含必要的安全认证信息。一旦 myothersecret 创建完成，容器也将正确启动。
4. 活跃度/就绪状态探测失败
在 Kubernetes 中处理容器问题时，开发者需要学习的重要一课是，你的容器应用是 running 状态，不代表它在工作。
Kubernetes 提供了两个基本特性，称作
活跃度探测和就绪状态探测
。本质上来说，活跃度/就绪状态探测将定期地执行一个操作（例如发送一个 HTTP 请求，打开一个 tcp 连接，或者在你的容器内运行一个命令），以确认你的应用和你预想的一样在工作。
如果活跃度探测失败，Kubernetes 将杀掉你的容器并重新创建一个。如果就绪状态探测失败，这个 Pod 将不会作为一个
服务
的后端 endpoint，也就是说不会流量导到这个 Pod，直到它变成 Ready。
如果你试图部署变更你的活跃度/就绪状态探测失败的应用，滚动部署将一直悬挂，因为它将等待你的所有 Pod 都变成 Ready。
这个实际是怎样的情况？以下是一个 Pod 规格说明，它定义了活跃度/就绪状态探测方法，都是基于8080端口对 /healthy 路由进行健康检查：
|
让我们创建这个 Pod：kubectl create -f liveness.yaml，过几分钟后查看发生了什么：
|
2分钟以后，我们发现 Pod 仍然没处于 Ready 状态，并且它已被重启了4次。让我们 describe 一下查看更多信息：
|
Events 章节再次救了我们。我们可以看到活跃度探测和就绪状态探测都失败了。关键的一句话是 container “test-container” is unhealthy, it will be killed and re-created。这告诉我们 Kubernetes 正在杀这个容器，因为容器的活跃度探测失败了。
这里有三种可能性：
- 你的探测不正确，健康检查的 URL 是否改变了？
- 你的探测太敏感了， 你的应用是否要过一会才能启动或者响应？
- 你的应用永远不会对探测做出正确响应，你的数据库是否配置错了
查看 Pod 日志是一个开始调测的好地方。一旦你解决了这个问题，新的 deployment 应该就能成功了。
5. 超出CPU/内存的限制
Kubernetes 赋予集群管理员
限制 Pod 和容器的 CPU 或内存数量
的能力。作为应用开发者，你可能不清楚这个限制，导致 deployment 失败的时候一脸困惑。
我们试图部署一个未知 CPU/memory 请求限额的 deployment：
|
你会看到我们设了 5Gi 的
资源请求
。让我们创建这个 deployment：kubectl create -f gateway.yaml。
现在我们可以看到我们的 Pod：
|
为啥，让我们用 describe 来观察一下我们的 deployment：
|
基于最后一行，我们的 deployment 创建了一个 ReplicaSet（gateway-764140025） 并把它扩展到 1。这个是用来管理 Pod 生命周期的实体。我们可以 describe 这个 ReplicaSet：
|
哈知道了。集群管理员设置了每个 Pod 的最大内存使用量为 100Mi（好一个小气鬼！）。你可以运行 kubectl describe limitrange 来查看当前租户的限制。
你现在有3个选择：
- 要求你的集群管理员提升限额
- 减少 deployment 的请求或者限额设置
- 直接编辑限额
6. 资源配额
和资源限额类似，Kubernetes 也允许管理员给每个 namespace 设置
资源配额
。这些配额可以在 Pods，Deployments，PersistentVolumes，CPU，内存等资源上设置软性或者硬性限制。
让我们看看超出资源配额后会发生什么。以下是我们的 deployment 例子：
|
我们可用 kubectl create -f test-quota.yaml 创建，然后观察我们的 Pods：
|
看起来很好，现在让我们扩展到 3 个副本：kubectl scale deploy/gateway-quota –replicas=3，然后再次观察 Pods：
|
啊，我们的pod去哪了？让我们观察一下 deployment：
|
在最后一行，我们可以看到 ReplicaSet 被告知扩展到 3 。我们用 describe 来观察一下这个 ReplicaSet 以了解更多信息：
|
哦！我们的 ReplicaSet 无法创建更多的 pods 了，因为配额限制了：exceeded quota: compute-resources, requested: pods=1, used: pods=1, limited: pods=1。
和资源限额类似，我们也有 3 个选项：
- 要求集群管理员提升该 namespace 的配额
- 删除或者收缩该 namespace 下其它的 deployment
- 直接编辑配额
7. 集群资源不足
除非你的集群开通了
集群自动伸缩
功能，否则总有一天你的集群中 CPU 和内存资源会耗尽。
这不是说 CPU 和内存被完全使用了,而是指它们被 Kubernetes 调度器完全使用了。如同我们在第 5 点看到的，集群管理员可以限制开发者能够申请分配给 pod 或者容器的 CPU 或者内存的数量。聪明的管理员也会设置一个默认的 CPU/内存 申请数量，在开发者未提供申请额度时使用。
如果你所有的工作都在 default 这个 namespace 下工作，你很可能有个默认值 100m 的容器 CP U申请额度，对此你甚至可能都不清楚。运行 kubectl describe ns default 检查一下是否如此。
我们假定你的 Kubernetes 集群只有一个包含 CPU 的节点。你的 Kubernetes 集群有 1000m 的可调度 CPU。
当前忽略其它的系统 pods（kubectl -n kube-system get pods），你的单节点集群能部署 10 个 pod(每个 pod 都只有一个包含 100m 的容器)。
10 Pods * (1 Container * 100m) = 1000m == Cluster CPUs
当你
扩大到 11 个
的时候，会发生什么？
下面是一个申请 1CPU（1000m）的 deployment 例子：
|
我把这个应用部署到有 2 个可用 CPU 的集群。除了我的 cpu-scale 应用，Kubernetes 内部服务也在消耗 CPU 和内存。
我们可以用 kubectl create -f cpu-scale.yaml 部署这个应用，并观察 pods：
|
第一个 pod 被调度并运行了。我们看看扩展一个会发生什么：
|
我们的第二个pod一直处于 Pending，被阻塞了。我们可以 describe 这第二个 pod 查看更多的信息:
|
好吧，Events 模块告诉我们 Kubernetes 调度器（default-scheduler）无法调度这个 pod 因为它无法匹配任何节点。它甚至告诉我们每个节点
哪个
扩展点失败了（Insufficient cpu）。
那么我们如何解决这个问题？如果你太渴望你申请的 CPU/内存 的大小，你可以减少申请的大小并重新部署。当然，你也可以请求你的集群管理员扩展这个集群（因为很可能你不是唯一一个碰到这个问题的人）。
现在你可能会想：我们的 Kubernetes 节点是在我们的云提供商的自动伸缩群组里，为什么他们没有生效呢？
原因是，你的云提供商没有深入理解 Kubernetes 调度器是做啥的。利用 Kubernetes 的
集群自动伸缩能力
允许你的集群根据调度器的需求
自动伸缩它自身
。如果你在使用 GCE，集群伸缩能力是一个
beta 特性
。
8. 持久化卷挂载失败
另一个常见错误是创建了一个引用不存在的持久化卷（PersistentVolumes）的 deployment。不论你是使用
PersistentVolumeClaims
（你应该使用这个！），还是直接访问持久化磁盘，最终结果都是类似的。
下面是我们的测试 deployment，它想使用一个名为 my-data-disk 的 GCE 持久化卷:
|
让我们创建这个 deployment：kubectl create -f volume-test.yaml，过几分钟后查看 pod：
|
3 分钟的等待容器创建时间是很长了。让我们用 describe 来查看这个 pod，看看到底发生了什么：
|
很神奇！
Events
模块留有我们一直在寻找的线索。我们的 pod 被正确调度到了一个节点（
Successfully assigned volume-test-3922807804-33nux to gke-ctm-1-sysdig2-35e99c16-qwds
），但是那个节点上的 kubelet 无法挂载期望的卷
test-volume
。那个卷
本应该
在持久化磁盘被关联到这个节点的时候就被创建了，但是，正如我们看到的，controller-manager 失败了：
Failed to attach volume “test-volume” on node “gke-ctm-1-sysdig2-35e99c16-qwds” with: GCE persistent disk not found: diskName=”my-data-disk” zone=”us-central1-a
“。
最后一条信息相当清楚了：为了解决这个问题，我们需要在 GKE 的
us-central1-a
区中创建一个名为
my-data-disk
的持久化卷。一旦这个磁盘创建完成，
controller-manager
将挂载这块磁盘，并启动容器创建过程。
9. 校验错误
看着整个 build-test-deploy 任务到了 deploy 步骤却失败了，原因竟是 Kubernetes 对象不合法。还有什么比这更让人沮丧的！
你可能之前也碰到过这种错误:
|
在这个例子中，我尝试创建以下 deployment：
|
一眼望去，这个 YAML 文件是正确的，但错误消息会证明是有用的。错误说的是 found invalid field resources for v1.PodSpec，再仔细看一下
v1.PodSpec
， 我们可以看到 resource 对象变成了 v1.PodSpec 的一个子对象。事实上它
应该是
v1.Container
的子对象。在把 resource 对象缩进一层后，这个 deployment 对象就可以正常工作了。
除了查找缩进错误，另一个常见的错误是写错了对象名（比如 peristentVolumeClaim 写成了 persistentVolumeClaim）。这个错误曾经在我们时间很赶的时候绊住了我和另一位高级工程师。
为了能在早期就发现这些错误，我推荐在 pre-commit 钩子或者构建的测试阶段添加一些校验步骤。
例如，你可以：
- 用 python -c ‘import yaml,sys;yaml.safe_load(sys.stdin)’ < test-application.deployment.yaml 验证 YAML 格式
- 使用标识 –dry-run 来验证 Kubernetes API 对象，比如这样：kubectl create -f test-application.deploy.yaml –dry-run –validate=true
重要提醒：校验 Kubernetes 对象的机制是在服务端的校验，这意味着 kubectl 必须有一个在工作的 Kubernetes 集群与之通信。不幸的是，当前 kubectl 还没有客户端的校验选项，但是已经有 issue（
kubernetes/kubernetes #29410
和
kubernetes/kubernetes #11488
）在跟踪这个缺失的特性了。
10. 容器镜像没有更新
我了解的在使用 Kubernetes 的大多数人都碰到过这个问题，它也确实是一个难题。
这个场景就像下面这样：
- 使用一个镜像 tag（比如：rosskulinski/myapplication:v1） 创建一个 deployment
- 注意到 myapplication 镜像中存在一个 bug
- 构建了一个新的镜像，并推送到了相同的 tag（rosskukulinski/myapplication:v1）
- 删除了所有 myapplication 的 pods，新的实例被 deployment 创建出了
- 发现 bug 仍然存在
- 重复 3-5 步直到你抓狂为止
这个问题关系到 Kubernetes 在启动 pod 内的容器时是如何决策是否做 docker pull 动作的。
在
v1.Container
说明中，有一个选项 ImagePullPolicy：
Image pull policy. One of Always, Never, IfNotPresent. Defaults to Always if :latest tag is specified, or IfNotPresent otherwise.
因为我们把我们的镜像 tag 标记为 :v1，默认的镜像拉取策略是 IfNotPresent。Kubelet 在本地已经有一份 rosskukulinski/myapplication:v1 的拷贝了，因此它就不会在做 docker pull 动作了。当新的 pod 出现的时候，它仍然使用了老的有问题的镜像。
有三个方法来解决这个问题：
-
切成 :latest tag（
千万不要这么做！
） - deployment 中指定 ImagePullPolicy: Always
- 使用唯一的 tag（比如基于你的代码版本控制器的 commit id）
在开发阶段或者要快速验证原型的时候，我会指定 ImagePullPolicy: Always 这样我可以使用相同的 tag 来构建和推送。
然而，在我的产品部署阶段，我使用基于
Git SHA-1
的唯一 tag。这样很容易查到产品部署的应用使用的源代码。
总结
哇哦，我们有这么多地方要当心。到目前为止，你应该已经成为一个能定位，识别和修复失败的 Kubernetes 部署的专家了。
一般来说，大部分常见的部署失败都可以用下面的命令定位出来：
- kubectl describe deployment/<deployname>
- kubectl get events –namespace=<namespace>
- kubectl describe replicaset/<rsname>
- kubectl get pods
- kubectl describe pod/<podname>
- kubectl logs <podname> –previous
在追求自动化，把我从繁琐的定位工作中解放出来的过程中，我写了一个
bash 脚本
，它在 CI/CD 的部署过程中任何失败的时候，都可以跑。在 Jenkins/CircleCI 等的构建输出中，将显示有用的 Kubernetes 信息，帮助开发者快速找到任何明显的问题。
转载于:https://www.cnblogs.com/laiyuan/p/8607938.html