Linux集群和自动化维3.7.2 线上环境中的Fabric应用实例

<b>3.7.2　线上环境中的fabric应用实例</b>

笔者线上的核心业务机器统一都是aws ec2主机，机器数量较多，每个数据中心都部署了fabric跳板机（物理拓扑图可参考图3-3），系统为amazon linux，内核版本为3.14.34-27.48.amzn1.x86_64，python版本为python 2.6.9。

如果公司项目组核心开发人员离职，线上机器就都要更改密钥，由于密钥一般是以组的形式存在的，再加上机器数量繁多，因此单纯通过技术人员手工操作，基本上是一项不可能完成的任务，但若是通过fabric自动化运维工具的话，这就是一项简单的工作了，由于现在的线上服务器多采用ssh key的方式管理，所以对于大多数系统运维人员来说ssh key分发也是工作内容之一，故而建议大家掌握此脚本的用法。示例脚本内容如下：

#!/usr/bin/python2.6

# -*- coding:

utf-8 -*-

from fabric.api

import *

from

fabric.colors import *

fabric.context_managers import *

#这里为了简化工作，脚本采用纯python的写法，没有采用fabric的@task修饰器

env.user =

'ec2-user'

env.key_filename

= '/home/ec2-user/.ssh/id_rsa'

hosts=['budget','adserver','bidder1','bidder2','bidder3','bidder4','bidder5','bidder6','bidder7','bidder8','bidder9',redis1','redis2','redis3','redis4','redis5','redis6']

#机器数量众多，这里只罗列了部分

def

put_ec2_key():

    with settings(warn_only=false):

put("/home/ec2-user/admin-master.pub","/home/ec2-user/admin-master.pub")

        sudo("\cp

/home/ec2-user/admin-master.pub /home/ec2-user/.ssh/authorized_keys")

        #\cp的作用是取消其别名作用，即不让cp-i生效

        sudo("chmod 600

/home/ec2-user/.ssh/authorized_keys")

put_admin_key():

put("/home/ec2-user/admin-operation.pub",

"/home/ec2-user/admin-operation.pub")

       sudo("\cp /home/ec2-user/admin-operation.pub  /home/admin/.ssh/authorized_keys")

       sudo("chown admin:admin

/home/admin/.ssh/authorized_keys")

       sudo("chmod 600

put_readonly_key():

      with settings(warn_only=false):

put("/home/ec2-user/admin-readonly.pub",

"/home/ec2-user/admin-readonly.pub")

      sudo("\cp

/home/ec2-user/admin-readonly.pub /home/readonly/.ssh/authorized_keys")

      sudo("chown readonly:readonly

/home/readonly/.ssh/authorized_keys")

      sudo("chmod 600

for host in

hosts:

    env.host_string = host

    put_ec2_key()

    put_admin_key()

    put_readonly_key()

大家可以输入如下命令查看系统中定义的别名（centos 6.4 x86_64）。

alias

命令显示结果如下所示：

alias cp='cp -i'

alias l.='ls -d

.* --color=auto'

alias ll='ls -l

--color=auto'

alias ls='ls

alias mv='mv -i'

alias rm='rm -i'

which='alias | /usr/bin/which --tty-only --read-alias --show-dot --show-tilde'

amazon linux系统与centos 6.4略有差别，已经取消了cp的别名定义。

如果线上的nagios 客户端的监控脚本因为业务需求又发生了改动，而bidder业务集群约有23台（下面只列出了其中10台），且其中的一个业务需求脚本前前后后改动了4次，这时，手动操作肯定会耗费大量人力及时间成本，因此这里用fabric推送此脚本并执行，代码如下：

## -*- coding:

user =

hosts=['bidder1','bidder2','bidder3','bidder4','bidder5','bidder6','bidder7','bidder8','bidder9','bidder10']

#机器数量比较多，这里只列出其中10台

@task

#这里用到了@task修饰器

def put_task():

    print yellow("put local file to nagios

client")

    with settings(warn_only=true):

put("/home/ec2-user/check_cpu_utili.sh",

"/home/ec2-user/check_cpu_utili.sh")

        sudo("cp

/home/ec2-user/check_cpu_utili.sh /usr/local/nagios/libexec")

        sudo("chown nagios:nagios

/usr/local/nagios/libexec/check_cpu_utili.sh")

        sudo("chmod +x

/usr/local/nagios/libexec/check_cpu_utili")

        sudo("kill  `ps aux | grep nrpe | head -n1 | awk '{print

$2}' `")

        sudo("/usr/local/nagios/bin/nrpe

-c /usr/local/nagios/etc/nrpe.cfg -d")

        print green("upload file success

and restart nagios  service!")

        #这里以绿色字体打印结果是为了方便查看脚本执行结果

    put_task()

执行上面的脚本以后，fabric也会返回清晰的显示结果，大家可以根据显示结果得知哪些机器已经成功运行，哪些机器失败，非常直观，结果如下所示：

put local file

to remote

[bidder1] put:

/home/ec2-user/check_cpu_utili.sh -&gt; /home/ec2-user/check_cpu_utili.sh

[bidder1] sudo:

cp /home/ec2-user/check_cpu_utili.sh 

/usr/local/nagios/libexec/check_cpu_utili.sh

chown nagios:nagios /usr/local/nagios/libexec/check_cpu_utili.sh

chmod +x /usr/local/nagios/libexec/check_cpu_utili.sh

kill `ps aux | grep nrpe | head -n1 | awk '{print $2}' `

/usr/local/nagios/bin/nrpe -c /usr/local/nagios/etc/nrpe.cfg -d

upload file

success and restart nagios  service!

[bidder2] put:

[bidder2] sudo:

[bidder3] put:

[bidder3] sudo:

[bidder4] put:

[bidder4] sudo:

[bidder5] put:

[bidder5] sudo:

大家可以看到，短短几行代码就达到了自动化运维的效果，而且跟fabric相关的代码都是纯python代码和shell代码，开发人员和运维人员很容易上手，在公司里推广应用，大家的认可程度也高。事实上，通过上面的举例大家应该能发现，fabric特别适合于需要重复执行大量shell命令的工作场景。