请问docker和k8s是否面向应用呢？能否动态部署hadoop等分布式集群呢？
请问k8s、docker是否面向应用程序的呢？
例如：用k8s部署hadoop、hbase等集群环境的话，是不是就不能自动扩容、缩容了呢？
若能的话，配置是怎么处理的呢？
就例如集群ip的配置，能动态的么？
1同行回答
你这里是两个问题
（1）k8s和docker是否面向应用
k8s和docker是Paas层+IaaS层的，无法直接提供应用，但是app可以在上面部署，但可以实现serverless无服务化，在公有云上已经提供了lambda功能，就是编程实现一个应用，基于k8s，但只暴露编程的接口，这个是面向应用的。
（2）hadoop和hbase这种大数据的应用，是可以使用容器部署的，只是应用的容器部署，但不包括底层的hdfs，可以有autoscale！但问题是你的这个应用资源的消耗，一般cpu和内存reuqest和limit是多少，一般对于hadoop和hbase是很高的，服务器的cpu在64，内存512G，但如果hadoop和hbase应用节点达到cpu一半的话，autoscale的意义不大。
配置的话，你首先要吧hadoop和hbase应用容器化啊，如何把这个巨型的应用拆开来，是个问题！
收起浏览1421
- 感谢您的回答。但是还是差点意思。换个问题 hadoop集群有没有必要用 k8s + docker 部署。优点是直接用镜像，不用重复安装环境。缺点的话是：1、配置还是需要手动修改。因为集群需要配置所有ip。2、k8s无法自动扩容。不知道我的理解是否正确。
- 我们先评估下使用k8s部署hadoop集群优势是什么？ 镜像部署，快速安装 那么缺点和问题是什么？ 1、要注意数据持久化，1台物理机上要部署多少个hadoop节点？ 数据怎么分布，都是需要注意的问题 2、性能损耗 实际在生产过程中，跑spark,flink的同事，都恨不得把集群的cpu，内存最大限度的利用 如果在同一台物理机上，针对多个容器做limit，是否能满足大数据的需求 3、资源控制和故障风险 控制好资源的分布，预防某些容器负载过高，引起服务器宕机，影响该node上其他容器的正常运行，甚至导致集群雪崩 同时，网络层面的压力可能会变大，非容器化的hadoop集群，单台物理机只需要1-2块网卡传输数据。 容器化的hadoop集群，node上如果部署多个Pod, 网络压力可能是原来的几倍，直接跑满网络上限。如果做Limit，那又对性能产生影响 所以谨慎的使用k8s部署hadoop，需要把整个方案考虑的比较细致，不要为了容器化而容器化。k8s总体上来说，是在往微服务方向优化，而不是追求性能挖掘 hadoop容器化可以考虑用mesos Marathon