iT邦幫忙

2024 iThome 鐵人賽
DAY 30
0
Kubernetes

K8s 資料庫管理系統系列 第 30 篇

day 30 k8s分析社群軟體threads進而分析族群愛好資料庫管理系統

16th鐵人賽
83 瀏覽

  • 分享至 

  • xImage
    •  

今天是第三十天我們可以寫一個k8s資料庫管理系統，謝謝iT邦幫忙給我這次30天學習k8s新程式語言的機會，讓我能30天不中斷的持續學習，讓我能熟知k8s是可以去如何去部署的並且做好資料庫的管理，以下是我的程式碼

  1. 資料收集服務：這個服務將會從 Threads 或其他社群平台抓取數據（例如貼文、用戶資料），並且將這些資料放入資料庫中。

  2. 資料分析服務：一個用來分析資料的微服務，可以利用自然語言處理 (NLP) 技術來分析用戶的喜好。

  3. 資料庫管理系統：用來儲存和管理這些分析結果，並且提供 API 來查詢。

  4. 前端界面：使用者可以通過一個簡單的前端介面來查詢族群愛好，顯示分析結果。

步驟 1: 部署 MongoDB 資料庫 (或其他合適的 DBMS)

首先，我們在 Kubernetes 中部署一個 MongoDB 資料庫來儲存收集到的 Threads 資料。

建立一個 MongoDB 部署文件 (mongodb-deployment.yaml)：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: mongodb
spec:
  replicas: 1
  selector:
    matchLabels:
      app: mongodb
  template:
    metadata:
      labels:
        app: mongodb
    spec:
      containers:
      - name: mongodb
        image: mongo:latest
        ports:
        - containerPort: 27017
        volumeMounts:
        - name: mongodb-storage
          mountPath: /data/db
      volumes:
      - name: mongodb-storage
        persistentVolumeClaim:
          claimName: mongodb-pvc
---
apiVersion: v1
kind: Service
metadata:
  name: mongodb
spec:
  ports:
  - port: 27017
    targetPort: 27017
  selector:
    app: mongodb

接著，為 MongoDB 創建一個 PVC（Persistent Volume Claim）來確保資料的持久性：

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: mongodb-pvc
spec:
  accessModes:
    - ReadWriteOnce
  resources:
    requests:
      storage: 1Gi

步驟 2: 部署資料收集微服務

這個微服務將通過 API 抓取 Threads 資料並存入 MongoDB。我們可以使用 Python 和 Flask 實現，並將它包裝成 Docker 映像檔。

data-collector.py 範例代碼：

from flask import Flask, request, jsonify
from pymongo import MongoClient
import requests

app = Flask(__name__)

client = MongoClient("mongodb://mongodb:27017/")
db = client['threads']
collection = db['posts']

# 從 Threads API 抓取資料並存入 MongoDB
@app.route('/collect', methods=['POST'])
def collect_data():
    # 模擬 Threads API 資料獲取
    response = requests.get('https://api.threads.com/posts')
    if response.status_code == 200:
        data = response.json()
        collection.insert_many(data)
        return jsonify({"status": "success"}), 200
    else:
        return jsonify({"status": "error"}), 500

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

建立一個 Dockerfile：

Dockerfile
FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt requirements.txt
RUN pip install -r requirements.txt

COPY . .

CMD ["python", "data-collector.py"]

requirements.txt：

Flask==2.1.1
pymongo==3.12.1
requests==2.26.0

將此微服務部署到 Kubernetes (data-collector-deployment.yaml)：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: data-collector
spec:
  replicas: 1
  selector:
    matchLabels:
      app: data-collector
  template:
    metadata:
      labels:
        app: data-collector
    spec:
      containers:
      - name: data-collector
        image: your-docker-image  # 使用您推送到 Docker registry 的映像
        ports:
        - containerPort: 5000
---
apiVersion: v1
kind: Service
metadata:
  name: data-collector
spec:
  ports:
  - port: 5000
    targetPort: 5000
  selector:
    app: data-collector

步驟 3: 部署資料分析微服務

這個微服務會從 MongoDB 中提取數據，進行 NLP 分析，並輸出分析結果。

data-analyzer.py 範例代碼：

from flask import Flask, jsonify
from pymongo import MongoClient
from textblob import TextBlob

app = Flask(__name__)

client = MongoClient("mongodb://mongodb:27017/")
db = client['threads']
collection = db['posts']

# 分析 Threads 貼文的情感
@app.route('/analyze', methods=['GET'])
def analyze_data():
    posts = collection.find({})
    result = []
    for post in posts:
        text = post.get('text', '')
        analysis = TextBlob(text).sentiment
        result.append({
            'post': text,
            'sentiment': analysis.polarity
        })
    return jsonify(result), 200

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

當然，我將逐步解釋每一段程式碼，讓你了解它們的作用和如何運行。

1. MongoDB 部署 (mongodb-deployment.yaml)

這段 YAML 文件用來在 Kubernetes 集群中部署一個 MongoDB 服務，提供資料儲存功能。

部署部分：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: mongodb
spec:
  replicas: 1
  selector:
    matchLabels:
      app: mongodb
  template:
    metadata:
      labels:
        app: mongodb
    spec:
      containers:
      - name: mongodb
        image: mongo:latest
        ports:
        - containerPort: 27017
        volumeMounts:
        - name: mongodb-storage
          mountPath: /data/db
      volumes:
      - name: mongodb-storage
        persistentVolumeClaim:
          claimName: mongodb-pvc
  • apiVersion: apps/v1 和 kind: Deployment：這表示 Kubernetes 將部署一個 MongoDB 實例。Deployment 是一種控制器，管理 MongoDB 實例的生命週期。
  • replicas: 1：這表示我們只部署一個 MongoDB 副本。可以根據需求擴展副本數。
  • image: mongo:latest：告訴 Kubernetes 使用最新版本的 MongoDB 映像檔來創建容器。
  • containerPort: 27017：這是 MongoDB 預設使用的端口，對應容器內的服務。
  • volumeMounts 和 volumes：這部分是將 MongoDB 的資料儲存在容器外部（persistent volume），保證數據的持久性。mongodb-pvc 是稍後定義的存儲卷聲明。

PVC 部分：

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: mongodb-pvc
spec:
  accessModes:
    - ReadWriteOnce
  resources:
    requests:
      storage: 1Gi
  • PersistentVolumeClaim (PVC)：這用來向 Kubernetes 請求 1GiB 的存儲空間，供 MongoDB 使用。它確保資料不會因為 MongoDB 容器被刪除而丟失。

2. 資料收集微服務 (data-collector.py)

這段程式碼用來從 Threads 平台抓取數據，並將這些數據存入 MongoDB。

from flask import Flask, request, jsonify
from pymongo import MongoClient
import requests

app = Flask(__name__)

client = MongoClient("mongodb://mongodb:27017/")
db = client['threads']
collection = db['posts']
  • Flask：用來建立簡單的 HTTP 伺服器，我們可以通過它來接收請求，並返回結果。
  • MongoClient：這是用來連接到 MongoDB 資料庫的客戶端。這裡指定了 MongoDB 的連接字串 mongodb://mongodb:27017/，這與我們之前部署的 MongoDB 服務相連。
  • db 和 collection：db 是 MongoDB 的資料庫名稱，我們叫它 threads。collection 是資料庫中的一個集合，用來儲存 Threads 的資料。

收集資料的路由：

@app.route('/collect', methods=['POST'])
def collect_data():
    # 模擬 Threads API 資料獲取
    response = requests.get('https://api.threads.com/posts')
    if response.status_code == 200:
        data = response.json()
        collection.insert_many(data)
        return jsonify({"status": "success"}), 200
    else:
        return jsonify({"status": "error"}), 500

  • /collect 路由：當收到 POST 請求時，這個端點會執行一個函數去模擬調用 Threads 的 API (requests.get)，來獲取資料（假設 URL 為 https://api.threads.com/posts）。

  • collection.insert_many(data)：一旦成功獲取資料，我們將使用 insert_many 方法將所有資料插入到 MongoDB 集合中。

  • 最後，根據成功或失敗，返回 JSON 格式的回應，包含狀態訊息。

3. 資料分析微服務 (data-analyzer.py)

這段程式碼負責對 MongoDB 中的數據進行分析（如情感分析）。

from flask import Flask, jsonify
from pymongo import MongoClient
from textblob import TextBlob

app = Flask(__name__)

client = MongoClient("mongodb://mongodb:27017/")
db = client['threads']
collection = db['posts']
  • TextBlob：這是用來進行簡單情感分析的 Python 套件。它可以用來評估文字的情感極性。
  • 連接 MongoDB 的部分與前面的資料收集服務類似。

分析資料的路由：

@app.route('/analyze', methods=['GET'])
def analyze_data():
    posts = collection.find({})
    result = []
    for post in posts:
        text = post.get('text', '')
        analysis = TextBlob(text).sentiment
        result.append({
            'post': text,
            'sentiment': analysis.polarity
        })
    return jsonify(result), 200
  • /analyze 路由：當接收到 GET 請求時，這個端點會查詢 MongoDB 中所有貼文 (collection.find({}))。
  • TextBlob(text).sentiment：對每篇貼文進行情感分析，polarity 屬性範圍為 -1 到 1，分別代表負面和正面情感。
  • 最後將貼文和情感極性一起返回。

4. 資料庫與服務部署 (data-collector-deployment.yaml)

這個文件用來在 Kubernetes 上部署我們的資料收集微服務。

apiVersion: apps/v1
kind: Deployment
metadata:
  name: data-collector
spec:
  replicas: 1
  selector:
    matchLabels:
      app: data-collector
  template:
    metadata:
      labels:
        app: data-collector
    spec:
      containers:
      - name: data-collector
        image: your-docker-image  # 使用您推送到 Docker registry 的映像
        ports:
        - containerPort: 5000
---
apiVersion: v1
kind: Service
metadata:
  name: data-collector
spec:
  ports:
  - port: 5000
    targetPort: 5000
  selector:
    app: data-collector
  • replicas: 1：部署一個副本的資料收集微服務。
  • image：這裡需要指定你已推送到 Docker registry 的映像檔，這是微服務運行所需的環境。
  • Service：提供一個內部網絡的方式來訪問該服務，映射至 5000 端口，這與 Flask 伺服器的端口相對應。

這些部分構成了一個完整的社群資料分析系統。首先，我們部署 MongoDB 來儲存數據，然後通過資料收集微服務從 Threads 收集數據，並使用資料分析微服務對數據進行情感分析，最終可以在前端顯示這些結果。這個系統可以擴展，用於其他不同的數據分析場景。

最後這次真的非常謝謝iT邦幫忙能給我這次機會去做新的程式語言的學習，最重要的是能夠運用在自己活當中，因此這次的鐵人賽非常希望能得名，謝謝iT邦幫忙!


上一篇
day 29 K8s串接line bot分析颱風影響資料庫管理系統
系列文
K8s 資料庫管理系統 共 30 篇
  1. 26
    day 26 k8s農業部資料庫管理系統
  2. 27
    day 27 k8s海關資料庫管理系統
  3. 28
    day 28 k8s 電力分配資料庫管理系統
  4. 29
    day 29 K8s串接line bot分析颱風影響資料庫管理系統
  5. 30
    day 30 k8s分析社群軟體threads進而分析族群愛好資料庫管理系統
完整目錄
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言
iThome鐵人賽
參賽組數
1064 組
團體組數
40 組
累計文章數
22200 篇
完賽人數
602 人
iT+看影片追技術 看影片追技術 看更多
熱門tag 看更多
15th鐵人賽 16th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽 鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 windows php c# windows server linux css react vue.js
熱門問題
熱門回答
熱門文章
IT邦幫忙