gradle - 如何通过 gradle 有效管理 ML 代码部署到多个 ML 集群环境

Question

推荐的 MarkLogic 自动化是通过 Gradle。

我想知道应该在哪里有一个专用的单个 VM 来运行这些 Gradle 任务，以控制配置和部署到不同的 Prod / UAT / Test / Dev ML 集群环境。

我的以下理解正确吗？

一个单独的专用 VM 应特别包含在整体设计中，以处理针对不同 ML 环境的 ML 配置部署。

• 每个 ML 主机都不需要 Gradle。Gradle 应仅在该 ML 管理库中使用。
• 在每个 gradle 属性中，应该使用每个 ML 环境集群的负载均衡器 IP。

https://i.imgur.com/AtNQZi6.png

该 [ML Management Depot] VM 的范围

1. ML XQuery Git 部署管道
2. 任何后期部署任务，例如 postman 脚本执行或额外的 xquery 执行
3. MLCP 任务 (a) Data Sync Prod → UAT → Test → Dev
   (b) 文档摄取（XML、PDF、HTML 等） (c) 将原始文件备份到 Azure Data Lake 的文档导出
4. Corbs 任务 - 批量数据更新和报告

（所有这些都应该配置为 gradle 任务。）

标签： gradlepipelinemarklogic

Answer 1

这绝对是一个很好的策略——一台单独的机器/主机/任何东西来处理部署（Gradle）和批处理（MLCP/Corb）任务。正如您所注意到的，您不需要任何主机上可用的 Gradle（也不需要 MLCP 或 Corb）。特别是对于 MLCP 和 Corb，最好在单独的机器上运行它们，这样它们就不会与任何 ML 主机竞争系统资源。