Kubernetes (K8s)是一个开源的容器编排平台，用于自动化部署、扩展和管理容器化应用程序。在K8s中，内存管理是非常重要的一项任务。为了有效地利用节点上的内存资源，K8s提供了一组内存清理策略，用于处理节点上的内存使用情况。在本文中，我将介绍K8s节点内存清理策略以及如何实现它。

整件事情的流程可以分为以下几个步骤：

1. 监控节点上的内存使用情况。
2. 根据内存使用情况，选择合适的内存清理策略。
3. 执行内存清理操作。

接下来我会详细解释每个步骤需要做什么，并给出相应的代码示例。

### 1. 监控节点上的内存使用情况

为了监控节点上的内存使用情况，我们可以使用K8s集群提供的Metrics Server。Metrics Server会定期收集集群内各个节点的性能数据，包括内存使用情况。

首先，我们需要安装Metrics Server。可以通过部署Metrics Server的YAML文件来完成安装：

```yaml
# metrics-server.yaml
apiVersion: v1
kind: ServiceAccount
metadata:
name: metrics-server
namespace: kube-system
---
apiVersion: rbac.authorization.k8s.io/v1beta1
kind: ClusterRole
metadata:
name: metrics-server
rules:
- apiGroups:
- ""
resources:
- pods
- nodes
- namespaces
- nodes/metrics
- nodes/stats
- metrics.k8s.io
verbs:
- get
- list
- watch
---
apiVersion: rbac.authorization.k8s.io/v1beta1
kind: ClusterRoleBinding
metadata:
name: metrics-server
roleRef:
apiGroup: rbac.authorization.k8s.io
kind: ClusterRole
name: metrics-server
subjects:
- kind: ServiceAccount
name: metrics-server
namespace: kube-system
---
apiVersion: apps/v1
kind: Deployment
metadata:
name: metrics-server
namespace: kube-system
labels:
k8s-app: metrics-server
spec:
selector:
matchLabels:
k8s-app: metrics-server
template:
metadata:
name: metrics-server
labels:
k8s-app: metrics-server
spec:
serviceAccountName: metrics-server
volumes:
- name: metrics-server-token-95s8r
secret:
secretName: metrics-server-token-95s8r
defaultMode: 420
containers:
- name: metrics-server
image: k8s.gcr.io/metrics-server-amd64:v0.3.6
command:
- /metrics-server
- --kubelet-insecure-tls
- --kubelet-preferred-address-types=InternalIP
```

部署完Metrics Server后，我们可以使用以下代码获取节点上的内存使用情况：

```python
from kubernetes import client, config

# 加载K8s配置
config.load_kube_config()

# 创建API客户端
v1 = client.CoreV1Api()

# 获取节点列表
nodes = v1.list_node()

# 遍历节点
for node in nodes.items:
name = node.metadata.name
# 获取节点的内存使用情况
mem_usage = node.status.allocatable['memory']
print(f"Node: {name}, Memory Usage: {mem_usage}")
```

### 2. 选择合适的内存清理策略

实现内存清理策略的一种方式是使用K8s的自动缩放机制。我们可以根据内存使用情况来动态调整节点的规模。

首先，我们需要创建一个HorizontalPodAutoscaler对象，用于自动缩放节点。以下是创建HorizontalPodAutoscaler的代码示例：

```python
from kubernetes import client, config

# 加载K8s配置
config.load_kube_config()

# 创建API客户端
api = client.AutoscalingV1Api()

# 创建HorizontalPodAutoscaler对象
hpa = client.V1HorizontalPodAutoscaler(
api_version="autoscaling/v2beta2",
kind="HorizontalPodAutoscaler",
metadata=client.V1ObjectMeta(name="my-hpa", namespace="default"),
spec=client.V1HorizontalPodAutoscalerSpec(
scale_target_ref=client.V1CrossVersionObjectReference(
api_version="apps/v1",
kind="Deployment",
name="my-deployment",
),
min_replicas=2, # 最小副本数
max_replicas=10, # 最大副本数
metrics=[
client.V1MetricSpec(
type="Resource",
resource=client.V1ResourceMetricSource(
name="memory",
target=client.V1MetricTarget(
type="Utilization",
average_utilization=80, # 目标内存利用率
),
),
),
],
),
)
# 创建HorizontalPodAutoscaler对象
api.create_namespaced_horizontal_pod_autoscaler(namespace="default", body=hpa)
```

### 3. 执行内存清理操作

在K8s中，我们可以使用Kubernetes API提供的Patch接口来执行节点的内存清理操作。

以下是执行内存清理操作的代码示例：

```python
from kubernetes import client, config

# 加载K8s配置
config.load_kube_config()

# 创建API客户端
v1 = client.CoreV1Api()

# 执行节点的内存清理操作
v1.patch_node(
name="my-node",
body={"spec": {"unschedulable": True}}, # 设置节点为无法调度状态，即停止分配新的Pod
)
```

以上就是实现K8s节点内存清理策略的整个流程和相应的代码示例。通过监控节点上的内存使用情况、选择合适的内存清理策略以及执行内存清理操作，我们可以有效地管理和优化Kubernetes集群中的内存资源。这对于提高应用程序的性能和稳定性非常重要。希望本文能够帮助你理解和实现K8s节点内存清理策略。