ref: https://ably.com/blog/no-we-dont-use-kubernetes

八月第一篇，就來個有趣的文章，來看看 ably 這間 SaaS 公司為什麼沒有使用 Kubernetes，不但當前沒有使用，甚至短期未來內都不會想要使用
更是直接的說如果你有興趣來加入團隊，千萬不要把將 Kubernetes 導入到團隊中是一個可能發生的事情。

我個人覺得這篇文章滿好的，因為是認真的去比較導入 Kubernetes 帶來的改變，而這些改變對團隊來說到底是可接受還是不可接受
而不是所謂的人云亦云，人家要我也要，人家不要我也不要...

文章分成兩部分，前述介紹當前 Ably 的環境架構是什麼，而半部分則是很技術的去探討如果導入 Kubernetes 帶來的好處與壞處是什麼
最終權衡比較之下，會發現導入 Kubernetes 沒有帶來實質上的好處。

文章開頭先簡述了一下 Kubernetes 這幾年的風潮，從最初 Google Borg 的開發開始談起，作者特別提到當初 Borg 的用法可是將一堆實體機器給搭建出一個 Private Cloud 的叢集給團隊使用，
而目前 Kubernetes 更多的用法則是搭建於 Public Cloud 上面的虛擬機器中，透過將 Kubernetes 部署到這些不同的 Cloud Provider 似乎帶來了介面統一的結果，對於 DevOps 人員來說
不同 Cloud Provider 如今看起來都是 Kubernetes 的樣貌。

Ably 目前到底怎麼部署應用程式
Ably 主要使用 AWS 作為其 Cloud Provider，並且於 EC2 機器上使用 docker/container 來部署團隊中的應用程式。
作者團隊中沒有使用任何已知的 Orchestration 服務來管理多節點上的 docker/container，取而代之的則是每個 VM 開機後則會根據 autoscaling group 的機制來判斷
每個機器應該要部署哪種 container/docker。

對於 Ably 來說，團隊中沒有任何 scheduler 相關的服務來調度各種服務，這意味每個 VM 就代表一種服務，所以將 VM 上的服務從 Core 轉換成 frontend 這種行為不會發生。
今天需要針對需求轉換服務時就以 VM 為基準來整批換掉即可。
每個節點上面都會有一個輕量的監控服務，用來確保運作的 Container 如果掛掉後可以被重啟，甚至如果當前運行的版本不符合需求時也能夠將該服務給停止。

流量方面，因為每個 Autoscaling Group 就代表一個服務，所以直接使用 NLB 與 Target Group 來將流量導入該 Autoscaling Group 即可。
至於容器與容器之間的內部流量(譬如 k8s service 等)作者認為也不是太大問題，畢竟每個機器本身都會被 VPC 賦予一個 IP 地址，所以使用上沒有什麼太大的問題。

接下來作者從幾個層次去探討當前設計與使用 Kubernetes 帶來的改變，分別有 (原文很多，這邊摘要不然文章會太長)
題外話，由於 Ably 的 Infra Team 數量有限，所以要考慮 K8s 只會考慮 K8s Service，如 EKS。
1. Resource Management
Ably:
a. 根據服務的需求來決定每個服務要用到的 VM 等級
b. 不需要去煩惱如何處理將多個小服務給部署到一個適合的大 VM 中
c. 作者稱這種行為其實就是 AWS 官方強調的 Right Sizing, 譬如只能跑兩個 Thread 的服務不需要 16vCPUs, 久久寫一次硬碟的服務也不需要一個 90,000 IOPS 的 SSD
d. 選擇一個正確的元件來搭建一個符合服務的 VM 讓團隊可以控制成本同時也減少額外的管理負擔
K8s:
a. 必須要使用一個比較強大等級的 EC2 VM，畢竟上面要透過 Container 部署很多服務
b. 針對那些需要小資源的服務來說，透過這種方式能夠盡可能的榨乾機器的資源，整體效能使用率會更好
c. 但是針對資源量沒有很辦法明確定義的服務則是會盡可能地去吃掉系統上的資源，這種被稱為 nosy neighbors 的常見問題已經不是首次出現了， Cloud Provider 本身就需要針對 VM 這類型的服務去思考如何處理資源使用，而 Cloud Provider 都有十年以上的經驗再處理這一塊
而所有 Kubernetes 的使用者則必須要自己去處理這些。
d. 一個可能的作法則是一個 VM 部署一個服務，不過這個做法跟團隊目前的作法已經完全一致，所以就資源管理這一塊，團隊看不到使用 Kubernetes 的優勢。

2. Autoscaling
Ably:
a. EC2 VM 本身可以藉由 Autoscaling Group 來動態調整需求
b. 有時候也是會手動的去調整 EC2 的數量，基本上手動跟自動是互相輔佐的
c. 團隊提供的是 SaaS 服務，所以其收費是針對客戶實際上用多少服務來收，如果開了過多 EC2 VM，則很多不要的花費與開銷都是團隊要自行吸收
d. 團隊需要一個盡可能有效率的方式能夠即使遇到流量暴衝時也能夠保證良好的服務的機制
K8s:
a. 可以透過不少方式來動態調整 Container 的數量，
b. 甚至可以透過 Cluster autoscaler 來針對節點進行調整，根據需求關閉節點或是產生更多節點
c. 動態關閉節點的有個問題是關閉節點時通常會選擇盡可能閒置的節點，但是閒置並不代表沒有任何服務部署再
上面，因此該節點上的 Container 都要先被轉移到其餘節點接者該目標節點才可以被正式關閉。這部分的邏輯作者認為相對複雜
d. 整體來說，k8s 有兩個動態調整的部分，動態節點與動態服務，而現有的架構只有一個動態節點。所以使用 k8s 則會讓問題變得更多更複雜。

3. Traffic Ingress
Ably:
a. Traffic Ingress 基本上每個 cloud provider 都提供了很好的解決方案，基本上團隊只要能夠維持每個服務與背後的機器的關係圖，網路流量基本上都沒有什麼需要團隊管理的。
b. 使用者會透過直接存取 NLB 或是透過 CloudFront 的方式來存取團隊內的服務

K8s:
a. EKS 本身可以透過 AWS VPC CNI 使得每個 Container 都獲得 VPC 內的 IP，這些 IP 都可以讓 VPC 內的其他服務直接存取
b. 透過 AWS LB Controller，這些 Container 可以跟 AWS LB 直接整合，讓封包到達 LoadBalancer 後直接轉發到對應的 Container
c. 整體架構並不會比團隊目前架構複雜
d. 唯一缺點大概就是這個解決方案是完全 AWS 綁定，所以想要透過 k8s 來打造一個跨 Cloud Provider 的統一介面可能就會遇到不好轉移的問題。

4. DevOps
Ably:
a. 開發團隊可以透過簡單的設定檔案來調整部署軟體的版本，後續相關機制就會將 VM 給替換掉，然後網路流量也會自然的導向新版服務
K8s:
a. 開發團隊改使用 Kubernetes 的格式來達到一樣的效果，雖然背後運作的方式不同但是最終都可以對開發團隊帶來一樣的效果。

上次四個分析基本上就是，使用 k8s 沒有帶來任何突破性的好處，但是 k8s 本身還有其他的功能，所以接下來作者想看看 k8s 是否能夠從其他方面帶來好處

Multi-Cloud Readiness
作者引用兩篇文章的內容作為開頭，「除非經過評估，否則任何團隊都應該要有一個跨 Cloud-Provider 的策略」
作者表明自己團隊的產品就是那個經過評估後斷言不需要跨 Cloud Provider 策略的團隊，同時目前沒有往這個方向去追求的打算。
同時作者也不認為 K8s 是一個能夠有效達成這個任務的工具。舉例來說，光 Storage 每家的做法都不同，而 K8s 沒有辦法完全將這些差異性給抽象畫，這意味者開發者終究還是要針對這些細節去處理。

Hybrid Cloud Readiness
管理混合雲(Public Cloud + Private Cloud based on Bare-Metal servers)是作者認為一個很合理使用 K8s 的理由，畢竟這種用法就跟當初 Google Borg 用法一致，是經過驗證可行的。
所以 Ably 如果有計畫要維護自己的資料中心時，底層就會考慮使用 Kubernetes 來管理服務。畢竟這時候沒有任何 Cloud Provider 提供任何好像的功能。
不過 Ably 目前沒有任何計畫，所以這個優點也沒有辦法幫助到團隊

Infrastructure as Code
團隊已經大量使用 Terraform, CloudFormation 來達成 IaC，所以透過 k8s YAML 來維護各種架構不是一個必要且真的好用的方式。

Access to a large and active community
另外一個很多人鼓吹 K8S 的好處就是有龐大的使用者社群，社群內有各種問題分享與探討。
作者認為
a. AWS 的使用者社群數量是高於 Kubernetes
b. 很多情況下，一個迭代太快速的產品其實也不一定對團隊有太大的幫助。
c. 很多人都使用 k8s，但是真正理解 k8s 的人微乎其微，所以想要透過社群來幫忙解決問題其實比你想像的還要難，畢竟裡面的問題太雜，很多時候根本很難找到一個真正有效的答案。

Added Costs of Kubernetes
為了轉移到 K8s, 團隊需要一個全新的 team 來維護 k8s 叢集以及使用到的所有基本服務。舉例來說，EKS, VPN CNI, AWS LB 帶來的網路好處並不是啟動 EKS 就會有的，
還必須要安裝相關的 Controller 並且進行設定，這些都是額外的維運成本。
如果找其他的服務供應商來管理 Kubernetes，這意味公司就要花費更多的$$來處理，所以對團隊來說，金錢與工作量都會提高，不同的解決方式只是這兩個指標的比例不同而已。

結論:
1. Ably 覺得 Kubernetes 做得很好，但是團隊目前沒有任何計畫去使用它，至少目前這階段沒有看到任何實質好處
2. 仔細評估後會發現，導入 k8s 其實也會帶出不少管理上的問題，反而並沒有減輕本來的負擔

今天這篇文章也是一個入門介紹文，雖說是一個入門介紹文，但是我覺得期主題滿好的，主要是針對 Ingress 這個架構來探討。我個人認為 Kubernetes 的架構加上 Yaml 安裝一切的結果很容易導致大家其實不知道 Kubernetes 做了什麼，也不知道架構到底是什麼，總之 Yaml 寫寫功能就通了。因此如果本來對於 Ingress 背後含義與架構的讀者是可以參考這篇文章重新複習一下對於 Ingress/Ingress Controller 的差異與概念。

Ingress: 其實從抽象層面來看， Ingress 就如同過往使用的 reverse proxy 一樣，根據不同的方式來轉發不同的請求封包到不同的後端服務。然而這個抽象概念於 Kubernetes 被拆分為二，分別為資訊定義端以及真正實作端。

舉例來說，假如我們採用 Nginx 作為 Ingress 的解決方案

資訊定義端(Ingress Yaml Definition): Ingress 的物件描述，也就是大家最常看到的 Ingress Yaml 資源格式，這個格式是由 kubernetes 所定義，本身沒有任何實作功能，完全是一群規則的描述。

真正實作端(Ingress Controller): 負責將 Ingress 物件轉換成 Nginx.conf，並且動態的告知 Nginx 伺服器去載入最新的設定檔案

這也是我們為什麼都要先安裝一個 deployment之類的服務到 k8s 之中，該 deployment 會扮演 Ingress Controller 的角色
接者我們根據需求部署各種 Ingress 規則到系統中，然後先前部署的 Ingress Controller 就會去抓取這些資源，並且轉換成真正可行的 nginx.conf 這種資源

本文使用的是 Kong 這套解決方案，但是整體運作邏輯跟上述提到用 Nginx 的邏輯一樣，因為這邊遵循的都是 k8s Ingress 的運作模式，因此只要搞懂其背後邏輯，未來學習任何一套解決方案的時候，都會有相同的脈絡跟模式可以參考，比較不會瞎子摸象的感覺

原文： https://medium.com/swlh/kubernetes-ingress-simplified-e0b9dc32f9fd

[外掛推薦] 34 個最棒的 Python 開源函式庫推薦（2019 年版）

英文說明文章： https://goo.gl/hHMxCv
簡中說明文章： https://goo.gl/87juhA

--------（本文開始）--------

寫程式最需要的，就是好用的外掛。那種不用寫一個字，就能擁有強大、穩定功能的方便感，就如同一個不會做菜的人可以不用研究食譜，直接走到樓下便利商店填飽肚子的重要性一樣。今天要推薦的，是 34 款由網友評選出來，2018 年最重要的 Python 開源函式庫。

為了各位能快速掌握這 34 款函式庫是什麼，我幫各位整理在下面。詳情可以點進上方英文或簡中說明文章觀看：

Part 1：Python 小工具（Python Toolkits）

01. pipenv：為人類提供 Python 開發流程的函式庫
02. pyxel：簡單就能做出復古小遊戲的 Python 函式庫
03. PyTest：Python 測試用函式庫
04. poetry：Python 套件相依關係管理函式庫。當你裝某個函式庫時，會自動幫你裝相依的函式庫，不會裝完後還缺東缺西。
05. Loguru：Python 日誌函式庫。
06. Faust：Python 串流應用程式（Streaming Applications）構建函式庫
07. Pampy：「模式匹配」（Pattern Match）用函式庫
08. Pyre-check：高效率的拼寫檢查（Type-Checking）函式庫
09. Delorean：讓你撰寫時區（Time-zone）相關程式更簡單的 Python 函式庫
10. Cirq：一套讓你撰寫「量子電腦」專用程式的 Python 函式庫
11. python-nubia：一套讓你輕鬆寫出命令列網路程式的函式庫

Part 2：網頁函式庫

12. Requests-HTML：讓你輕鬆解析網路爬蟲爬回來的 HTML 語法之 Python 函式庫
13. Bokeh：以視覺化呈現資料（餅圖、長條圖...）的 Python 函式庫
14. Vibora：一個「主從式（Client-Server）」 Python 網頁框架
15. PyWebView：讓你可以在自己的程式內，輕鬆顯示遠方網頁內容的函式庫（Web View Library）
16. WhatWaf：一個能偵測網頁應用程式防火牆、並想辦法繞過去的函式庫
17. Molten：一個小型的網站後台框架（如果你不想用 Django 或 Flask 這麼肥的框架，可以用這個來取代）

Part 3：命令列工具

18. TermToSVG：可以把命令列發生的過程，記錄成動畫，以 SVG 格式儲存（寫網誌示範執行流程時很好用）
19. Asciinema：與前一款 TermToSVG 一樣，也是可以記錄命令列執行過程的函式庫。
20. Termgraph：可以在命令列視窗繪製長條圖等簡單圖形的函式庫

Part 4：原始碼編輯

21. Black：可以幫你把 Python 原始碼排列得漂漂亮亮的工具
22. Algojammer：可以讓你把一個 Python 寫的演算法，運作過程視覺化出來
23. Bowler：一個 Python 重構（Re-factoring）工具

Part 5：除錯用工具

24. Py-spy：一個測速工具。可以讓你找出執行緩慢的瓶頸是發生在哪一段程式碼
25. Birdseye：一個 Python 除錯工具
26. Icecream：可以利用螢幕輸出（print 指令）來除錯的工具

Part 6：編譯器/轉譯器

27. Transcrypt：可以把 Python 寫成的程式碼，轉成 JavaScript 的工具
28. Pyodide：可以把 Python 轉譯成 WebAssembly 語言

Part 7：資料處理用函式庫

29. Voluptuous：檢查用 JSON、YAML 等格式表示的資料，是否符合該格式語法的檢查函式庫
30. Botflow：可以用「管道串接（Pipeline）」來執行資料處理（網路爬蟲...等）的函式庫
31. Fast-Pandas：用來測試 Pandas（一個資料處理用函式庫）執行瓶頸的函式庫

Part 8：繪圖用工具

32. A Tour in the Wonderland of Math with Python：一個用來繪製各種美觀數學圖形的函式庫
33. Chartify：用來繪製各種統計圖表的函式庫
34. Hypertools：用來取得高維度資料的視覺化圖形之函式庫

希望大家喜歡今天的分享！請大家多多按讚鼓勵、或追蹤我的 FB、YouTube、以及 Instagram 喔～

---------------

Facebook 粉絲頁（歡迎追蹤）： https://goo.gl/N1z9JB
YouTube 頻道（歡迎訂閱）： https://goo.gl/pQsdCt
Instagram 日常生活： https://goo.gl/nBHzXC