|
|
上篇中，我们主要介绍了使用docker-compose对Windows Docker单服务器进行远程管理，编译和部署镜像，并且设置容器的自动启动。但是，还有一些重要的问题没有解决，这些问题不解决，就完全谈不上运维：
问题一：如此部署的应用，在宿主机外部，只能通过宿主机的ip加一个个特定的端口来访问每个容器内的应用，这显然是不满足实际需求的。
问题二：相比于将应用直接部署在有UI界面的Windows Server，因为每个应用部署于自己的Windows Docker容器，当应用运行时发生各种问题时，比如，cpu高，内存高，访问变慢等等，如何才能方便地排查问题呢？即使你愿意一个个容器attach上去，也因为它没有UI，远没有传统有UI界面的Windows Server上容易。所以，我们必须有必要的工具来更方便的监控容器的运行。
下篇
负载均衡和反向代理
要解决问题一：
- 首先，我们需要一个机制，当用户访问我们的ip或域名时，服务器能根据不同的域名，或者不同的子路径，在相同的端口比如80或者443，从每个应用容器返回内容——这就是反向代理；
- 接着，我们不希望我们的应用在更新、系统维护、或者局部故障时无法提供服务，所以，每个部署的应用不能是单点，那么，如果同一个应用部署了多个容器实例，如何才能让他们Serve相同的域名和URL请求呢？——这就是负载均衡；
通常，支持反向代理的组件，往往也同时提供负载均衡功能。例如：F5、nginx、Apache2、HAProxy甚至IIS的ARR等。不同的方案可能侧重点略有不同，我们可以根据实际情况选择不同的方案。另外，既然我们的应用部署在Windows Docker服务器，那么最好我们所用的代理组件同样能部署在Windows Docker容器，这样我们就能用一致的流程和工具来管理。下面的示例中，我们选择Apache2，实现一个部署于Windows Docker部署的反向代理加负载均衡器。
为了演示负载均衡，我们新建一个two-instances-demo目录，其中docker-compose.yml里为iis-demo添加两个不同内部ip的容器实例，再添加一个apache容器，它的Dockerfile定义在apache目录中。
version: "2.1"
services:
apache:
build: .
image: "apache-proxy:1.0"
ports:
- "80:80"
networks:
nat:
iis-demo-1:
build: ../
image: "iis-demo:1.0"
ports:
- "80"
networks:
nat:
ipv4_address: 172.24.128.101
volumes:
- "c:/temp:c:/inetpub/logs/LogFiles"
environment:
- "env1=LIVE1"
- "env2=LIVE2"
- "HOSTS=1.2.3.4:TEST.COM"
iis-demo-2:
build: ../
image: "iis-demo:1.0"
ports:
- "80"
networks:
nat:
ipv4_address: 172.24.128.102
volumes:
- "c:/temp:c:/inetpub/logs/LogFiles"
environment:
- "env1=LIVE1"
- "env2=LIVE2"
- "HOSTS=1.2.3.4:TEST.COM"
networks:
nat:
external: true
Apache的Dockerfile，很简单，只是安装和覆盖默认conf，然后，运行https.exe服务。
FROM microsoft/windowsservercore:latest
ADD vc_redist.x64.exe /vc_redist.x64.exe
RUN /vc_redist.x64.exe /q
ADD httpd-2.4.25-x64-vc14-r1.zip /
RUN powershell -executionpolicy bypass -Command "expand-archive -Path 'c:\httpd-2.4.25-x64-vc14-r1.zip' -DestinationPath 'c:\'"
COPY conf /conf
RUN del c:\Apache24\conf\httpd.conf
RUN del c:\Apache24\conf\extra\httpd-vhosts.conf
RUN copy "c:\conf\httpd.conf" "c:\Apache24\conf\"
RUN copy "c:\conf\extra\httpd-vhosts.conf" "c:\Apache24\conf\extra\"
ENTRYPOINT ["C:\\Apache24\\bin\\httpd.exe"]
然后，我们打开一个命令窗口，在two-instances-demo目录下执行docker-compose up，稍作等待，等容器运行起来，然后，在宿主机外部，注意一定是从宿主机外部（原因上一篇文章有解释），访问宿主机的ip地址下的/iis-demo/路径，可以看到，iis-demo的默认页面内容能够被正常显示，说明反向代理和负载均衡已经正常运行了。
其他备注：
- 这里的Apache配置是出于演示目的，抛砖引玉，极度简化的版本，如果用于真实环境，请根据Apache官方文档以和相应的性能测试，做必要调整；
- 除了Apache之外，nginx可以运行于Windows，但是性能不佳，官方不推荐在Windows下使用；
- HAProxy只能运行于Linux；
- IIS的ARR，反向代理功能尚可，但是负载均衡依赖于IIS的集群，限制颇多，如果同一个应用的容器只需要部署单个实例的话可以考虑；
- 这里在docker-compose.yml中定义同一个应用的两个服务的做法，只是在不使用docker的集群化部署时的简化做法，如果应用了Swarm集群，或者使用了其他支持集群和自动扩展的容器编排方案，是可以直接通过docker-compose的scale参数，让一个docker-compose服务运行多个实例的，这个我们以后会聊到；
日志解析和监控
要解决问题二：
- 首先，我们需要一个方便的机制查看宿主机上每个容器运行时的CPU，内存，IO等资源开销，还要能保留这些运行情况的历史纪录，便于回溯和问题的排查；
- 其次，我们需要一个方便的机制查看宿主机上每个容器内的系统和应用产生的日志，例如：操作系统日志、IIS访问日志、应用的异常日志等；
对于容器的运行时的性能指标，docker的命令行工具，提供了docker stats命令，可以查看每个容器实时的CPU、内存、IO能指标，我们可以考虑定时将它们收集保存起来，用于集中化的监控。
另外，玩过Linux下docker的小伙伴们肯定知道，docker会将每个容器内运行时打印到console的内容，都记录在宿主机的docker日志目录中，而大多数Linux容器部署应用，大多会将应用自己的日志也打印到console，这样，所有的日志都可以包含在docker宿主机的容器日志中。这有什么好处呢？好处就是，我们可以在宿主机上，配置日志解析工具，比如Logstash或fluentd，解析和forward所有日志。
在Windows Docker下，由于Windows的基因问题，一方面，大多数应用都是基于IIS的应用，没办法将日志直接打印到console，另一方面，IIS本身的日志和Windows的EventLog也无法方便地配置把它们打印到console，所以，一般的做法是，需要把这些日志所在的目录，mount到宿主机，然后，再在宿主机上统一解析。特别对于Windows EventLog，它在Windows文件系统的格式无法被简单读取和解析，因此，我们一般需要用到一些地第三方工具，如nxlog和Elastic公司Beats（这两个工具都是免费开源的）将解析后的Windows EventLog保存为易于解析的格式，比如JSON格式。
对于经过解析的日志，现在比较流行的做法是把它导入Elasticsearch，这样就可以方便通过kibana，grafana这样的工具，可视化查看，远程实时监控了。
本想将相关组件都做成Windows Docker镜像，方便大家能直接下载运行的，无奈这些组件都比较大，动辄几十上百兆，国内的网络下，不FQ的情况下，我本机下载都很费劲，想必，做成Docker镜像，大家运行的体验也不会很好，所以，就先不做了。下面简单介绍一下这几个工具的使用，并分享一些核心的配置脚本，给大家做个参考。
首先是对IIS Log和Windows EventLog的解析，以nxlog为例：
nxlog的Windows版安装完之后，是一个Windows Service。它的配置文件在C:\Program Files (x86)\nxlog\conf目录下，每次更改nxlog.conf文件，都需要重启nxlog service使配置生效。最经常的用法，一般是将原始的IIS的W3C格式的日志，还有Windows EventLog解析为JSON格式，然后经过Logstash中转之后保存到Elasticsearch。
下面是一个典型的解析IIS W3C格式Log的nxlog.conf文件：
define ROOT C:\Program Files (x86)\nxlog
Moduledir %ROOT%\modules
CacheDir %ROOT%\data
Pidfile %ROOT%\data\nxlog.pid
SpoolDir %ROOT%\data
LogFile %ROOT%\data\nxlog.log
<Extension json>
Module xm_json
</Extension>
<Extension w3c>
Module xm_csv
Fields $log_date, $log_time, $log_site_id, $log_server_name, $log_server_ip, $log_http_method, $log_path, $log_query, $log_port, $log_user_name, $log_client_ip, $log_http_version, $log_user_agent, $log_referer, $log_domain_name, $log_http_status, $log_http_substatus, $log_win32_status, $log_response_size, $log_request_size, $log_time_taken
FieldTypes string, string, string, string, string, string, string, string, integer, string, string, string, string, string, string, integer, integer, integer, integer, integer, integer
Delimiter ' '
EscapeControl FALSE
UndefValue -
</Extension>
<Input in-iis>
Module im_file
File "C:\\temp\\iislogs\\\\u_ex*.log"
SavePos True
ReadFromLast False
ActiveFiles 10
Exec if $raw_event =~ /^#/ drop(); else { w3c->parse_csv(); if ($log_date) $log_request_timestamp = $log_date + " " + $log_time; else drop(); if ($log_referer) $log_referer = lc($log_referer); if ($log_path) { $log_path = lc($log_path); if $log_path =~ /(\.[^.]+)/ $log_request_type = $1; else $log_request_type = "unknown"; } if ($log_user_agent) $log_user_agent = replace($log_user_agent, "+", " "); if ($log_domain_name) $log_domain_name = replace($log_domain_name, ":80", ""); };
</Input>
<Output iis>
Module om_tcp
Exec $raw_event = to_json();
Host localhost
Port 5151
</Output>
<Route out_iis>
Path in-iis => iis
</Route>
它的第一部分Extension W3C定义了哪些W3C字段需要解析；第二部分iis input调用w3c扩展组件，解析指定目录的日志文件，做必要的规整；第三部分定义了如何保存解析结果，将解析后的消息，保存为JSON格式的键值对，然后写入一个Logstash的TCP输入端口。
下面是一个典型的nxlog解析Windows EventLog的例子：
define ROOT C:\Program Files (x86)\nxlog
Moduledir %ROOT%\modules
CacheDir %ROOT%\data
Pidfile %ROOT%\data\nxlog.pid
SpoolDir %ROOT%\data
LogFile %ROOT%\data\nxlog.log
<Extension _syslog>
Module xm_syslog
</Extension>
<Extension _json>
Module xm_json
</Extension>
<Input eventlog>
Module im_msvistalog
ReadFromLast TRUE
SavePos FALSE
Query <QueryList>\
<Query> <Select Path="System">*</Select>\
<Select Path="Application">*</Select>\
</Query>\
</QueryList>
</Input>
<Output out>
Module om_file
File "C:\temp\EventLog\" + $Hostname + ".json"
<Exec>
if out->file_size() > 20M
{
$newfile = "C:\temp\EventLog\" + $Hostname + "_" + strftime(now(), "%Y%m%d%H%M%S") + ".json";
out->rotate_to($newfile);
}
</Exec>
Exec to_json();
</Output>
<Route 1>
Path eventlog => out
</Route>
这里，第一部分我们定义了如何从Windows EventLog中筛选消息；第二部分，定义了如何以每20M为大小，分割保存最新的EventLog为JSON。
将JSON格式的数据通过Logstash保存到Elasticsearch非常简单，网上示例比比皆是，这理解不举例了。
最后分享一个Logstash的配置文件，用于每隔30秒，收集宿主机上所有docker容器的性能指标，并且以JSON格式，保存到Elasticsearch：
input { exec {
command => "C:\temp\get-docker-stats.cmd"
interval => 30
codec => line {}
}
}
filter {
grok {
match => { "message" => "%{WORD:container_id} %{WORD:container_name} %{NUMBER:cpu_percent}% %{NUMBER:mem} %{WORD:mem_unit} %{NUMBER:net_in} %{WORD:net_in_unit} / %{NUMBER:net_out} %{WORD:net_out_unit} %{NUMBER:block_in} %{WORD:block_in_unit} / %{NUMBER:block_out} %{WORD:block_out_unit}" }
}
mutate {
convert => {
"cpu_percent" => "float"
"mem" => "float"
"net_in" => "float"
"net_out" => "float"
"block_in" => "float"
"block_out" => "float"
}
}
#calc memory bytes
if [mem_unit] == "KiB" { ruby { code => "event.set('mem_bytes',event.get('mem').to_f*1024)" } }
if [mem_unit] == "MiB" { ruby { code => "event.set('mem_bytes',event.get('mem').to_f*1024*1024)" } }
if [mem_unit] == "GiB" { ruby { code => "event.set('mem_bytes',event.get('mem').to_f*1024*1024*1024)" } }
#calc net_in bytes
if [net_in_unit] == "kB" { ruby { code => "event.set('net_in_bytes',event.get('net_in').to_f*1000)" } }
if [net_in_unit] == "MB" { ruby { code => "event.set('net_in_bytes',event.get('net_in').to_f*1000*1000)" } }
#calc net_out bytes
if [net_out_unit] == "kB" { ruby { code => "event.set('net_out_bytes',event.get('net_out').to_f*1000)" } }
if [net_out_unit] == "MB" { ruby { code => "event.set('net_out_bytes',event.get('net_out').to_f*1000*1000)" } }
#calc block_in bytes
if [block_in_unit] == "kB" { ruby { code => "event.set('block_in_bytes',event.get('block_in').to_f*1000)" } }
if [block_in_unit] == "MB" { ruby { code => "event.set('block_in_bytes',event.get('block_in').to_f*1000*1000)" } }
#calc block_out bytes
if [block_out_unit] == "kB" { ruby { code => "event.set('block_out_bytes',event.get('block_out').to_f*1000)" } }
if [block_out_unit] == "MB" { ruby { code => "event.set('block_out_bytes',event.get('block_out').to_f*1000*1000)" } }
mutate {
remove_field => ["mem", "mem_unit", "net_in", "net_in_unit", "net_out", "net_out_unit", "block_in", "block_in_unit", "block_out", "block_out_unit", "message", "command"]
}
}
output {
elasticsearch {
hosts => ["localhost"]
index => "logstash-docker-stats-log-%{+YYYY.MM.dd}"
timeout => 30
workers => 1
}
}
其中，get-docker-stats.cmd文件真正执行docker stats命令，获取所有正在运行的容器的性能指标，其中具体的命令如下：
@echo off
docker stats --no-stream --format "{{.Container}} {{.Name}} {{.CPUPerc}} {{.MemUsage}} {{.NetIO}} {{.BlockIO}}"
所有JSON格式的监控数据保存到Elasticsearch以后，使用kibana或者grafana进行数据的展示、设置监控警报等等，就相对比较简单了，目前也非常流行，网上应该是能找到非常多的示例的，使用上也不存在Linux和Windows的区别，这里就不详述了。对这方面有疑问的同学，我们可以私下交流。
单节点Windows Docker服务器简单运维下篇完。
我们简单回顾一下，在最近的上下两篇中，我们介绍了运维一个单节点Windows Docker服务器的主要思路和常用工具。这些思想和工具，也是更复杂的docker集群模式下的运维的基础。运维的水很深，Windows Docker的运维，对大多数公司来说，也都还只是在摸索的过程中。文中的示例，更多的还在于抛砖引用，大家不要受其局限，要习惯于发挥想象力，创造性的解决问题，提出新的思路。
前面的示例中，虽然尽可能不依赖于Linux下的容器，但毕竟Linux下的容器和各种支持工具，现在已经非常成熟了，在实际的部署中，还是应该根据实际情况和Windows Docker结合使用，只要能解决问题的工具和方法就都是极好的！
下一篇：5 Windows Server Dockerfile葵花宝典 |
|
QQ群⑧：
窥视卡
雷达卡
发表于 2017-6-27 15:42:27
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡