Kubernetes для Python-разработчика

Полный практический курс на русском языке: от первого локального кластера до развёртывания, диагностики, безопасности и эксплуатации Python-сервиса в Kubernetes.

Открыть курс на сайте · Начать с главы 00 · Посмотреть полную карту курса · Открыть словарь

Материалы можно читать прямо на GitHub, локально в Markdown или как обычные HTML-страницы на публичном сайте. Например, первая глава доступна по адресу 00-diagnostic-and-local-cluster.html.

Содержание README

• Зачем создан этот курс
• Для кого он предназначен
• Что вы научитесь делать
• Что находится в репозитории
• Программа курса
• Требования к компьютеру
• Быстрый старт
• Как проходить курс
• Учебное приложение и манифесты
• Сайт курса
• Проверка изменений
• Безопасная работа
• Ограничения курса

Зачем создан этот курс

Python-разработчик часто встречает Kubernetes уже на рабочем проекте. В этот момент легко выучить несколько команд kubectl, но так и не понять:

• почему Pod был создан, заменён или не запустился;
• как запрос доходит от Service до процесса Python;
• чем readiness отличается от liveness;
• почему Deployment, HPA и PDB могут влиять друг на друга;
• где искать причину Pending, CrashLoopBackOff, ImagePullBackOff или OOMKilled;
• какие настройки нужны для безопасной и устойчивой эксплуатации.

Курс закрывает этот разрыв. Его цель — не заставить запомнить YAML и набор команд, а научить понимать причину поведения системы и подтверждать выводы фактами: состоянием объектов, Events, логами, метриками и сетевыми проверками.

Все темы связаны одним проектом. Небольшой FastAPI-сервис постепенно проходит путь от отдельного Pod до конфигурации, Service, хранилища, RBAC, проверок здоровья, масштабирования, rollback и итогового эксплуатационного проекта.

Для кого он предназначен

Курс подходит:

• Python Backend Developer, который уже пишет и отлаживает веб-сервисы;
• разработчику, который готовится к backend/platform/SRE-собеседованию;
• инженеру, которому нужно уверенно читать Kubernetes-манифесты;
• человеку, который умеет работать в Linux, но пока не понимает Kubernetes;
• разработчику, которому нужна локальная практика без облачного аккаунта.

Перед началом желательно понимать:

• основные команды Linux и работу командной оболочки;
• процессы, переменные окружения и файловую систему;
• основы TCP, HTTP и DNS;
• как устроен простой Python web service;
• синтаксис YAML;
• что такое container image, tag, registry, build и run.

Отдельного курса по Docker здесь нет. Все нужные контейнерные действия показаны, но устройство Docker подробно не преподаётся.

Что вы научитесь делать

После полного прохождения вы сможете:

1. Объяснить архитектуру Kubernetes и путь запроса к API server.
2. Читать объекты Kubernetes: apiVersion, kind, metadata, spec, status, labels, selectors и owner references.
3. Выбирать между Pod, Deployment, Job, CronJob, StatefulSet и DaemonSet.
4. Собрать Python-образ и запустить его в локальном кластере kind.
5. Настроить ConfigMap, Secret, Service, DNS, Ingress, NetworkPolicy и PVC.
6. Настроить startup-, readiness- и liveness-probes, requests и limits.
7. Выполнить rollout, найти неудачное обновление и сделать rollback.
8. Проверить HPA, PDB, drain и распределение Pod по узлам.
9. Ограничить права через ServiceAccount и RBAC и применить Pod Security restricted.
10. Диагностировать восемь намеренно сломанных сценариев на основе доказательств.
11. Работать с Kustomize и понимать назначение Helm и GitOps.
12. Подготовить итоговый проект, runbook, модель угроз и проверяемое описание опыта для резюме и собеседования.

Что находится в репозитории

Kubernetes_course/
├── README.md                         # этот файл
└── course-kubernetes-python/
    ├── MAIN.md                       # подробное описание и карта курса
    ├── 00-...md — 11-...md           # основные главы
    ├── 90-kubectl-labs.md            # последовательные лабораторные
    ├── 91-capstone.md                 # итоговый проект
    ├── 92-interview-and-cv.md         # собеседование и резюме
    ├── 93-skill-checklist.md          # практический экзамен и checklist
    ├── 98-glossary.md                 # словарь терминов
    ├── 99-sources.md                  # первичные источники и версии
    ├── app/                           # учебный FastAPI-сервис
    ├── cluster/                       # конфигурация локального kind-кластера
    ├── manifests/
    │   ├── base/                      # базовые Kubernetes-ресурсы
    │   ├── overlays/dev/              # настройки учебной среды
    │   ├── overlays/prod/             # пример production-настроек
    │   ├── labs/                      # дополнительные ресурсы лабораторных
    │   └── broken/                    # восемь намеренно сломанных сценариев
    ├── pages/                         # страницы и API сайта на Next.js
    ├── styles/                        # стили сайта
    ├── lib/                           # каталог курса и встроенный Markdown
    ├── scripts/                       # сборка содержимого и Sites-адаптация
    ├── .openai/hosting.json           # связь проекта с ChatGPT Sites
    ├── open-next.config.ts            # конфигурация OpenNext
    ├── wrangler.jsonc                 # конфигурация runtime сайта
    └── package.json                   # команды и зависимости сайта

Три части проекта

Сайт и учебная лаборатория — разные среды. Сайт не создаёт Kubernetes-кластер и не запускает учебный FastAPI-контейнер. Он только удобно показывает материалы и имеет собственные небольшие API-адреса для проверки среды выполнения Sites.

Программа курса

Курс зафиксирован на срезе исследования 2026-07-29. В упражнениях закреплены kubectl v1.36.2, kind v0.32.0 и образ узла Kubernetes v1.36.1. Закреплённые версии делают лабораторные воспроизводимыми. Перед использованием в рабочем проекте всегда проверяйте актуальные версии и правила совместимости.

Полный маршрут занимает примерно 66–83 часа активной работы. Короткий маршрут для подготовки к работе занимает 35–45 часов.

Требования к компьютеру

Требования ниже относятся именно к лабораторным работам. Чтобы только читать курс на сайте, нужен любой современный браузер.

Аппаратные и системные требования

Курс создавался на Ubuntu 24.04.3 LTS, Linux 6.8, x86_64. Другой современный Linux-дистрибутив тоже подходит, но команды установки Docker/Podman могут отличаться. На компьютере с ровно 8 GiB RAM лучше закрыть тяжёлые приложения на время лабораторных.

Проверьте компьютер до установки:

uname -a
cat /etc/os-release
nproc
free -h
df -h .
stat -fc %T /sys/fs/cgroup

Ожидаемый результат: подходящая архитектура, не меньше 4 CPU, 8 GiB RAM, 20 GiB свободного места и cgroup2fs.

Обязательные программы

Проверяйте не только наличие Docker CLI, но и работу сервера:

docker version
docker run --rm hello-world

Обе команды должны завершиться с кодом 0; в docker version должна быть секция Server. Точные команды установки kubectl и kind с проверкой SHA-256 находятся в главе 00.

Что не требуется для основного курса

• Облачный аккаунт и платный Kubernetes-кластер не нужны.
• Python на хосте не нужен: приложение собирается внутри образа контейнера.
• Node.js и npm не нужны, если вы только читаете курс и выполняете Kubernetes лабораторные.
• Helm не обязателен для базовых лабораторных; он изучается как подход к управлению конфигурацией.

Для отдельных дополнительных упражнений могут понадобиться Metrics Server, контроллер Ingress/Gateway, cloud-provider-kind, Go, Helm или kubeconform. Каждая такая зависимость отмечена в соответствующей главе и не должна считаться уже установленной.

Требования для разработки сайта

Если вы хотите изменить или локально запустить не Kubernetes-лабораторию, а сайт курса, дополнительно нужны:

• Node.js 22 или новее;
• npm;
• около 1 GiB дополнительного места для node_modules и результатов сборки.

Быстрый старт

1. Получить материалы

git clone https://github.com/evinlort/Kubernetes_course.git
cd Kubernetes_course/course-kubernetes-python

Начните с MAIN.md, затем выполните диагностику из главы 00. Все команды лабораторных нужно запускать из каталога course-kubernetes-python.

2. Установить CLI

Следуйте разделу «Установка инструментов с проверкой». По инструкции бинарные файлы помещаются в локальный каталог .tools:

export PATH="$PWD/.tools:$PATH"
kubectl version --client --output=yaml
kind version
docker version

Не добавляйте содержимое .tools в Git.

3. Создать учебный кластер

Перед созданием сохраните имя текущего контекста, как показано в главе 00. Курс использует кластер kube-course и контекст kind-kube-course.

kind create cluster \
  --name kube-course \
  --config cluster/kind-config.yaml \
  --image kindest/node:v1.36.1@sha256:3489c7674813ba5d8b1a9977baea8a6e553784dab7b84759d1014dbd78f7ebd5 \
  --wait 5m

test "$(kubectl config current-context)" = "kind-kube-course"
kubectl wait --for=condition=Ready nodes --all --timeout=180s
kubectl get nodes -o wide

Должны появиться три готовых узла: один control-plane и два worker.

4. Собрать и загрузить учебное приложение

docker build --file app/Containerfile --tag kube-python-course:1.0.0 app
kind load docker-image kube-python-course:1.0.0 --name kube-course

5. Развернуть dev-вариант

Используйте только учебное значение Secret. Не подставляйте настоящий ключ:

kubectl apply -f manifests/base/namespace.yaml
kubectl create secret generic python-api-secret \
  --namespace kube-course \
  --from-literal=API_KEY=local-course-placeholder \
  --dry-run=client -o yaml | kubectl apply -f -
kubectl apply -k manifests/overlays/dev
kubectl rollout status deployment/python-api -n kube-course --timeout=180s
kubectl get pods,service,endpointslice -n kube-course

Проверка через локальный проброс порта (port-forward):

kubectl port-forward -n kube-course service/python-api 8000:80

В другом терминале:

curl --fail http://127.0.0.1:8000/health/live
curl --fail http://127.0.0.1:8000/health/ready
curl --fail http://127.0.0.1:8000/config

Это только короткая проверка. Полная последовательность с ожидаемым результатом, восстановлением после ошибок и очисткой находится в 90-kubectl-labs.md.

6. Удалить учебную среду

Сначала остановите port-forward сочетанием Ctrl+C. Затем ещё раз проверьте контекст и удалите только кластер курса:

test "$(kubectl config current-context)" = "kind-kube-course"
kubectl delete namespace kube-course --wait=true
kind delete cluster --name kube-course

Если до курса у вас был другой Kubernetes-контекст, восстановите его по инструкции главы 00.

Как проходить курс

Полный маршрут: 66–83 часа

1. Пройдите диагностический тест в MAIN.md.
2. Последовательно изучите главы 00–02.
3. После главы 02 можно параллельно изучать конфигурацию, сеть и хранилище (главы 03–05).
4. Затем пройдите главы 06–11.
5. Выполните все лабораторные главы 90.
6. Сделайте итоговый проект главы 91.
7. Подготовьте ответы и описание опыта по главе 92.
8. Подтвердите навыки командами и наблюдениями из главы 93.

Короткий маршрут: 35–45 часов

Для подготовки к backend-вакансии пройдите главы 00–09, основные лабораторные 00–10, итоговый проект до уровня job-ready, затем главы 92 и 93. Главы про GitOps и промышленную эксплуатацию можно сначала прочитать обзорно, но к ним нужно вернуться перед работой с настоящим production-кластером.

Правильный способ работать с упражнениями

Не ограничивайтесь копированием команд. Для каждой лабораторной сохраните:

Дата, версия кластера и контекст:
Команда и код завершения:
Что было видно в status, Events, logs или ответе HTTP:
Почему это произошло:
Как была проверена гипотеза:
Как выполнено исправление и восстановление:
Что локальный kind-кластер не смог доказать:

Отмечайте навык выполненным только после реальной команды и объяснения результата. Скриншот без команды, версии и контекста — слабое доказательство.

Если термин непонятен, переходите по встроенной ссылке в словарь. В словаре есть определения Pod, kind node, Service, controller, reconciliation, RBAC, PVC, HPA и других специальных терминов.

Учебное приложение и манифесты

FastAPI-сервис

Каталог app/ содержит небольшое приложение на FastAPI. Оно специально сделано наблюдаемым и управляемым из Kubernetes.

Основные HTTP-адреса:

Containerfile собирает Python 3.13-образ, запускает процесс от пользователя 10001:10001 и слушает порт 8000.

Манифесты

В manifests/base/ находятся Namespace, ConfigMap, Deployment, ServiceAccount, Service, Ingress, NetworkPolicy, PVC, PDB, HPA и RBAC. Secret с настоящим значением намеренно не включён в Kustomize. Файл secret.example.yaml — только пример структуры.

Варианты окружений:

• manifests/overlays/dev уменьшает ресурсы и число реплик для локальной практики;
• manifests/overlays/prod показывает более строгие настройки, но сам по себе не превращает локальный кластер в production;
• manifests/labs содержит отдельный Pod, storage-клиент, проверку RBAC и генератор нагрузки;
• manifests/broken содержит сценарии Pending, CrashLoopBackOff, ImagePullBackOff, неверного Service selector, сломанной probe, OOM, непривязанного PVC и запрета DNS.

Не исправляйте файлы в manifests/broken заранее. Их задача — дать воспроизводимый отказ для расследования.

Сайт курса

Публичный адрес: https://kubernetes-python-course.ksenyag.chatgpt.site/

Сайт:

• показывает карту курса и две траектории обучения;
• открывает каждый Markdown-файл по прямому адресу /<имя>.html;
• преобразует внутренние ссылки .md в HTML-ссылки;
• даёт переход к исходному Markdown на GitHub;
• показывает словарь рядом с главами;
• хранит отметки о завершённых главах только в текущем браузере.

Запуск сайта локально

cd course-kubernetes-python
npm install
npm run dev

После запуска откройте http://localhost:3000.

Основные команды сайта

Список глав, названия и порядок находятся в lib/course.ts. Во время сборки scripts/generate-course-content.mjs собирает Markdown в lib/course-content.generated.json. Этот автоматически созданный файл не следует редактировать вручную.

API в pages/api относится только к сайту. Оно повторяет health/config/metrics форму учебного сервиса, но не заменяет FastAPI-приложение из app/ и не является доказательством работы Kubernetes.

Проверка изменений

Если изменился только Markdown

1. Проверьте, что все относительные ссылки ведут к существующим файлам.
2. Добавьте незнакомые Kubernetes-термины в 98-glossary.md и поставьте ссылки при их использовании.
3. Соберите сайт: npm run build.
4. Откройте изменённую страницу локально и проверьте таблицы, code blocks, заголовки и ссылки.

Если изменились манифесты

Сначала отрендерите оба окружения:

kubectl kustomize manifests/overlays/dev >/tmp/kube-course-dev.yaml
kubectl kustomize manifests/overlays/prod >/tmp/kube-course-prod.yaml

При наличии учебного кластера выполните серверную проверку:

test "$(kubectl config current-context)" = "kind-kube-course"
kubectl apply --dry-run=server -f /tmp/kube-course-dev.yaml
kubectl diff -k manifests/overlays/dev

kubectl apply --dry-run=client не заменяет серверную схему, admission и авторизацию. Успешный dry-run не доказывает, что Pod будет запланирован и образ запустится.

Если изменился сайт

npm run typecheck
npm run build
npm run build:sites

После этого проверьте главную страницу, несколько *.html-глав, переходы между ними и /api/health/ready.

Безопасная работа

Этот репозиторий содержит команды, которые создают и удаляют Kubernetes-объекты. Перед каждой изменяющей командой проверяйте контекст:

kubectl config current-context
test "$(kubectl config current-context)" = "kind-kube-course"

Основные правила:

• не запускайте сломанные манифесты в рабочем или чужом кластере;
• явно указывайте namespace kube-course;
• не печатайте и не сохраняйте kubeconfig, токены и реальные Secret;
• не помещайте настоящий ключ в secret.example.yaml;
• не используйте sudo kubectl;
• перед drain запомните имя узла и обязательно выполните uncordon;
• удаляйте только кластер с точным именем kube-course;
• не удаляйте каталог ~/.kube и не заменяйте чужой kubeconfig;
• перед публикацией диагностических файлов проверяйте их на учётные данные.

Что уже проверено

При подготовке материалов были проверены:

• Python syntax и HTTP-поведение учебного приложения;
• YAML-файлы и YAML-блоки в Markdown;
• детерминированный Kustomize render для dev и prod;
• Kubernetes-схемы через kubeconform;
• внутренние ссылки, ссылки на манифесты и внешние первичные источники;
• отсутствие :latest, cluster-admin и privileged workload в применяемых ресурсах;
• сборка и прямые HTML-маршруты сайта.

Точные версии инструментов, количество проверенных ресурсов и границы проверки описаны в конце MAIN.md.

Ограничения курса

• kind — учебный локальный кластер. Он не доказывает поведение конкретного cloud provider, managed control plane, production CNI/CSI или внешнего Load Balancer.
• Принятый API server манифест ещё не доказывает успешное планирование и запуск.
• NetworkPolicy работает только при поддержке выбранного CNI.
• Ingress требует установленного controller; одного объекта Ingress мало.
• HPA по CPU требует Metrics Server.
• Локальный PVC не заменяет проверку резервного копирования и восстановления настоящего хранилища.
• Уровень production-ready нельзя подтвердить только лабораторией в kind. Для него нужны доказательства в целевой среде, SLO, monitoring, восстановление, политика обновлений и реальные эксплуатационные процедуры.
• Даты и версии в курсе — воспроизводимый срез, а не обещание вечной актуальности. Для рабочего проекта сверяйтесь с 99-sources.md и свежей официальной документацией.

Как предложить изменение

1. Создайте отдельную ветку.
2. Меняйте только связанные с задачей материалы.
3. Не редактируйте автоматически созданный lib/course-content.generated.json вручную.
4. Для новой главы добавьте Markdown-файл и запись в lib/course.ts.
5. Добавьте определения новых специальных терминов в словарь.
6. Выполните подходящие проверки из раздела выше.
7. В pull request укажите, что изменилось, как это проверено и что осталось непроверенным.

Лицензия

В репозитории пока нет отдельного файла LICENSE. Публичный доступ к исходникам сам по себе не задаёт условия копирования и распространения. Перед повторным использованием материалов за пределами личного обучения согласуйте условия с владельцем репозитория.

Лучшее место для начала — 00-diagnostic-and-local-cluster.md. Если встретился незнакомый термин, сразу откройте 98-glossary.md, а затем вернитесь к упражнению и проверьте термин на практике.