Matomo sur GKE Autopilot — Guide de lab

Vue d'ensemble

Durée estimée : 45–90 minutes

Matomo est la principale plateforme open source d'analyse web — une alternative auto-hébergée à Google Analytics, axée sur la confidentialité, sans échantillonnage des données et avec la pleine propriété (100 %) des données collectées. Ce lab vous fait parcourir tout le cycle de vie opérationnel du module Matomo on GKE Autopilot sur Google Cloud : le déployer, y accéder et le vérifier, l'exploiter au quotidien, l'observer, diagnostiquer les problèmes courants et le démanteler.

Le lab porte sur l'exploitation du module GKE et de la plateforme Google Cloud, et non sur les fonctionnalités de Matomo. Pour la liste complète des services provisionnés et de chaque paramètre de configuration (organisés par groupe), consultez le Guide de configuration — ce lab ne duplique volontairement pas ce détail afin de rester exact dans le temps.

Objectifs

À la fin de ce lab, vous saurez :

Déployer le module depuis la plateforme RAD et repérer les ressources qu'il provisionne.
Vous connecter au cluster GKE et terminer l'installateur web de premier démarrage de Matomo.
Effectuer les opérations du jour 2 — inspecter, mettre à l'échelle, mettre à jour, et gérer les secrets et le stockage.
Observer la charge de travail avec Cloud Logging et Cloud Monitoring.
Diagnostiquer et résoudre les problèmes de déploiement et d'exécution les plus courants.
Démanteler proprement le déploiement.

Prérequis

Services_GCP (fournit le VPC, le cluster GKE Autopilot, Cloud SQL, le NFS Filestore et les comptes de service partagés dont dépend ce module). Vous n'avez pas besoin de le déployer vous-même au préalable — la plateforme détecte automatiquement s'il existe déjà dans le projet cible et, sinon, le provisionne avant ce module (voir la tâche 1).
Un projet Google Cloud avec la facturation activée.
gcloud CLI et kubectl installés ; gcloud auth login et gcloud auth application-default login effectués.
Le rôle IAM Project Owner (ou équivalent) sur le projet.
Vous apportez votre propre projet ? Avant le premier déploiement dans celui-ci, la boîte de dialogue de confirmation du déploiement vous demande de prouver que vous le contrôlez (Get verification code, exécutez en tant que Owner du projet les commandes qu'elle affiche, puis Verify) et d'attribuer le rôle Owner au compte de service de déploiement RAD. Un projet que RAD crée pour vous ne nécessite ni l'un ni l'autre.
Le mode avancé pour les modifications ultérieures. Le formulaire de création ne demande que la première page de paramètres (et, dans un projet que RAD crée pour vous, guère plus que le nom du tenant et la région). Tous les autres paramètres du Guide de configuration — y compris les paramètres de mise à l'échelle et de version des tâches du jour 2 — se modifient ensuite avec Update sur la page du déploiement, après avoir coché Enable advanced mode, ce qui exige un solde de crédits couvrant le coût de build estimé de la mise à jour (les mises à jour n'entraînent jamais de frais de module). Dans un environnement de lab, seul un administrateur peut utiliser le mode avancé.
Un accès à la plateforme RAD avec l'autorisation de déployer des modules dans le projet.

Définissez une fois ces variables shell ; chaque tâche ci-dessous les réutilise :

export PROJECT="<your-gcp-project-id>"
export REGION="us-central1"           # the region you deploy into

Tâche 1 — Déployer le module [Automatisé]

Ouvrez Solutions → Solution Catalog → RAD modules dans la navigation supérieure de la plateforme RAD, ouvrez Matomo (GKE) dans la liste Platform Modules pour commencer la configuration, choisissez Configuration Form sous How would you like to configure this deployment? (le formulaire s'ouvre sur le Conversational Assistant si vous détenez des crédits achetés ou êtes partenaire ou administrateur), renseignez project_id et passez en revue les paramètres. Ne configurez que ce dont vous avez besoin — le Guide de configuration documente chaque paramètre par groupe, avec ses valeurs par défaut. Cliquez sur Deploy Module, vérifiez le coût estimé dans la boîte de dialogue Deployment Confirmation lorsqu'elle apparaît et cliquez sur Submit (si la boîte de dialogue ajoute ensuite une étape de confirmation, comme la vérification d'un projet que vous apportez, effectuez-la et cliquez sur Confirm), ce qui ouvre la page d'état du déploiement avec les journaux en temps réel.
La plateforme déploie la charge de travail dans le cluster GKE Autopilot, provisionne une base de données Cloud SQL (MySQL 8.0) avec son secret de mot de passe dans Secret Manager, un partage NFS Filestore qui conserve la racine documentaire de Matomo (/var/www/html), un bucket GCS data dédié, recopie l'image officielle matomo:5-apache dans Artifact Registry (pas d'étape Cloud Build — il s'agit d'un module préconstruit), et exécute un job ponctuel db-init qui crée la base de données vide et l'utilisateur. Les premiers déploiements prennent environ 20 à 35 minutes (la création de Cloud SQL et de Filestore en représente l'essentiel).

Connectez-vous au cluster et repérez l'espace de noms à l'aide de filtres indépendants des noms :

CLUSTER=$(gcloud container clusters list --project="$PROJECT" --format="value(name)" --limit=1)
gcloud container clusters get-credentials "$CLUSTER" --region="$REGION" --project="$PROJECT"

NS=$(kubectl get ns -o name | grep matomo | head -1 | cut -d/ -f2)
echo "Cluster: $CLUSTER   Namespace: $NS"
kubectl get all -n "$NS"

Tâche 2 — Accéder et vérifier [Manuel]

Confirmez que la charge de travail est en cours d'exécution et trouvez son adresse externe :

kubectl get pods,svc -n "$NS"
EXTERNAL_IP=$(kubectl get svc -n "$NS" \
  -o jsonpath='{.items[?(@.spec.type=="LoadBalancer")].status.loadBalancer.ingress[0].ip}')
echo "External IP: $EXTERNAL_IP"

Confirmez que le service est en bonne santé. Le chemin de vérification de santé de Matomo est /, qui renvoie HTTP 200 — ou une redirection 302 vers l'installateur sur un nouveau déploiement — dès qu'Apache et PHP sont en cours d'exécution. La sonde de démarrage accorde une fenêtre généreuse (TCP sur /, délai initial de 30s, période de 15s, seuil de 40 échecs, ~10.5min au total) pour que le point d'entrée de l'image remplisse la racine documentaire vide montée sur NFS à partir de /usr/src/matomo au premier démarrage :
```
curl -s -o /dev/null -w "%{http_code}\n" "http://${EXTERNAL_IP}/"
```
Ouvrez http://${EXTERNAL_IP} dans un navigateur. Sur un nouveau déploiement, Matomo présente son installateur web : l'écran de connexion à la base de données est prérempli à partir des variables d'environnement MATOMO_DATABASE_HOST/USERNAME/DBNAME/PASSWORD injectées (le job db-init a déjà créé la base de données vide et l'utilisateur, et la plateforme fait correspondre les identifiants Cloud SQL propres au déploiement à ces noms natifs de Matomo — le même schéma « remplacer les variables d'environnement génériques de base de données pour suivre la convention propre à l'application » utilisé ailleurs sur cette plateforme, par exemple la correspondance de style Laravel de SnipeIT). Parcourez l'installateur, créez le compte superuser (super-utilisateur) et enregistrez votre premier site web suivi. L'installateur écrit config.ini.php dans la racine documentaire conservée sur NFS, de sorte que la configuration survit aux redémarrages des pods. Si vous avez besoin du mot de passe de la base de données :
```
DB_SECRET=$(gcloud secrets list --project="$PROJECT" \
  --filter="name~matomo" --format="value(name)" --limit=1)
gcloud secrets versions access latest --secret="$DB_SECRET" --project="$PROJECT"
```
Durcissement immédiat : l'URL de l'installateur est publique tant que la configuration n'est pas terminée — terminez l'assistant juste après le déploiement. Copiez ensuite l'extrait de suivi depuis Administration → Websites → Tracking Code dans une page de test et confirmez que la visite apparaît sous Visitors → Visits Log.

Tâche 3 — Exploiter et maintenir en service (jour 2) [Manuel]

Inspectez la charge de travail — déploiement et pods (Matomo se déploie en tant que Deployment avec la stratégie de mise à jour Recreate, car la charge de travail est adossée à NFS et une mise à jour progressive ferait tourner deux pods sur le même volume partagé et la même base de données) :
```
kubectl get deploy,pods,pvc -n "$NS"
kubectl describe deploy -n "$NS"
```
Mettez à l'échelle en modifiant les paramètres de nombre minimal/maximal d'instances et en cliquant sur Update sur la page de détails du déploiement — le module possède la spécification de la charge de travail ; la mise à l'échelle est donc une modification de configuration, et non un kubectl scale manuel (une modification manuelle serait annulée lors du prochain apply). Les deux valent 1 par défaut, et max_instance_count doit rester à 1 tant que le comportement multi-pod en matière de NFS, de sessions et de verrous d'archivage n'a pas été explicitement vérifié — Matomo ne coordonne pas nativement les écritures des journaux de suivi ni le traitement des archives entre des réplicas partageant un même volume NFS et une même base de données. session_affinity = ClientIP maintient les requêtes d'un client sur le même pod.
Mettez à jour la version de l'application en modifiant le paramètre application_version (utilisez un tag de variante Apache, par exemple 5.11-apache, latest) et en l'appliquant via Update ; l'image recopiée est mise à jour et un déploiement Recreate remplace le pod. Matomo exécute ses propres migrations de schéma depuis la racine documentaire persistante — il n'y a pas de job de migration sans interface.

Gérez les secrets, le stockage et les jobs :

kubectl get secrets -n "$NS"
gcloud secrets list --project="$PROJECT" --filter="name~matomo"
kubectl get jobs -n "$NS"          # db-init and any scheduled jobs
gcloud storage buckets list --project="$PROJECT" --filter="name~-data"
gcloud filestore instances list --project="$PROJECT"

Ouvrez une session de base de données pour l'inspection ou la maintenance (les tables d'analyse utilisent le préfixe fixe matomo_) :

INSTANCE=$(gcloud sql instances list --project="$PROJECT" --format="value(name)" --limit=1)
# Role and database are tenant-prefixed (e.g. matomodemo426161cf) — not the bare app name.
DB_USER=$(gcloud sql users list --instance="$INSTANCE" --project="$PROJECT" \
  --format="value(name)" --filter="name~^matomo" --limit=1)
gcloud sql connect "$INSTANCE" --user="$DB_USER" --project="$PROJECT"

Traitement des archives (propre à l'application). Ce module ne provisionne pas de CronJob pour le traitement périodique des archives de Matomo (console core:archive) — par défaut, les rapports utilisent l'archivage déclenché par le navigateur au sein des requêtes des visiteurs. Pour les sites plus fréquentés, ajoutez un job planifié via le paramètre générique cron_jobs (groupe 11) pointant vers l'image déployée et la commande d'archivage.

Tâche 4 — Observer : journalisation et surveillance [Manuel]

Journaux — depuis kubectl ou l'explorateur de journaux (Logs Explorer) :
```
kubectl logs -n "$NS" deploy/"$(kubectl get deploy -n "$NS" -o jsonpath='{.items[0].metadata.name}')" --tail=50
```
Filtre du Logs Explorer : resource.type="k8s_container" AND resource.labels.namespace_name="<namespace>".
Surveillance — ouvrez les tableaux de bord GKE / Kubernetes et examinez l'utilisation du CPU et de la mémoire des pods, le nombre de redémarrages et les métriques de requêtes, ainsi que les métriques Cloud SQL de l'instance MySQL. Le module peut provisionner un test de disponibilité (lorsqu'il est activé) ; examinez Monitoring → Uptime checks et Alerting → Policies.

Tâche 5 — Dépanner et déboguer [Manuel]

Des techniques durables pour les modes de défaillance que vous rencontrerez le plus probablement. Il s'agit de diagnostics au niveau de la plateforme, qui ne changent pas avec les versions de Matomo.

Pod non Ready / CrashLoopBackOff : inspectez les événements et les journaux. La sonde de démarrage est TCP sur / avec un seuil de 40 échecs (~10.5min) pour couvrir la copie, au premier démarrage, de l'application dans le volume NFS vide ; la sonde de vivacité est HTTP GET / avec un délai initial de 300s (une réponse 200 ou une redirection 302 vers l'installateur compte comme saine).
```
kubectl describe pod -n "$NS" <pod>          # Events section shows scheduling/probe/mount errors
kubectl logs -n "$NS" <pod> --previous       # logs from the crashed container
```
Racine documentaire corrompue de façon permanente après l'expiration de la sonde de démarrage : le point d'entrée de l'image extrait avec tar /usr/src/matomo dans la racine documentaire montée sur NFS en tant que root, puis n'applique chown -R qu'une fois l'extraction terminée. Si le seuil d'échec de la sonde de démarrage a déjà été abaissé sous la valeur par défaut du module (40, ~10.5min) et que le pod a reçu un SIGKILL en pleine extraction, le volume NFS se retrouve avec une arborescence partiellement copiée et en partie détenue par root. Cela ne se répare pas de soi-même au redémarrage — le point d'entrée ne remplit plus la racine documentaire dès qu'il y trouve déjà matomo.php — et se manifeste par des erreurs persistantes composer/vendor « not installed », alors même que le pod est signalé Ready. Récupérez manuellement :
```
kubectl exec -n "$NS" deploy/<service-name> -- \
  rm -rf /var/www/html/* /var/www/html/.[!.]*
kubectl delete pod -n "$NS" <pod>
```
puis attendez de nouveau toute la fenêtre de la sonde de démarrage pour que le point d'entrée remplisse proprement le volume.
Erreurs de connexion à la base de données : Matomo atteint Cloud SQL via le sidecar Cloud SQL Auth Proxy sur 127.0.0.1:3306 (enable_cloudsql_volume = true est requis sur GKE). Confirmez que l'instance MySQL 8.0 est RUNNABLE, que le secret du mot de passe de la base de données a été matérialisé dans l'espace de noms et que le job db-init s'est terminé — il vérifie les identifiants de l'utilisateur de l'application ; un job db-init au vert écarte donc la plupart des problèmes d'authentification.
```
kubectl exec -n "$NS" deploy/<service-name> -- env | grep MATOMO_DATABASE
```

Échec du job db-init : inspectez le job et les journaux de son pod :

kubectl get jobs -n "$NS"
kubectl logs -n "$NS" job/<db-init-job-name>

L'installateur réapparaît après chaque redémarrage / configuration non conservée : vérifiez enable_nfs = true et nfs_mount_path = /var/www/html, et confirmez que le PVC est lié :
```
kubectl get pvc -n "$NS"
```
Si la racine documentaire n'est pas réellement conservée, config.ini.php est perdu à chaque recréation du pod et Matomo revient à l'installation.
Pod à l'état Pending / pas d'adresse IP externe : consultez les événements de kubectl describe pod pour détecter des problèmes de ressources ou de quota, et confirmez que le Service LoadBalancer dispose d'une adresse IP attribuée (reserve_static_ip = true la maintient stable d'un redéploiement à l'autre).
Erreurs de pull de l'image : il s'agit d'un module préconstruit — il n'y a pas d'étape Cloud Build. Confirmez que l'image recopiée existe dans Artifact Registry et que application_version est un véritable tag de variante Apache (5-apache, 5.11-apache) ; les tags fpm/alpine ne servent pas HTTP sur le port 80.
La mise à jour progressive se bloque / deux pods se disputent le NFS : confirmez que la stratégie de mise à jour du Deployment est Recreate (le module la définit automatiquement pour les charges de travail adossées à NFS) — une stratégie RollingUpdate sur cette charge de travail démarrerait un second pod sur le même volume NFS et la même base de données avant que le premier ne s'arrête.
Redis « activé » mais rien ne change : enable_redis = true ne fait que câbler REDIS_HOST/REDIS_PORT dans l'environnement du pod — de la connectivité, pas de la configuration. Rien dans ce module ne modifie le backend [Cache] de config.ini.php de Matomo ; utiliser Redis comme cache d'objets de Matomo exige donc toujours une configuration manuelle après le déploiement.

Consultez la section Configuration Pitfalls du Guide de configuration pour les pièges propres à chaque paramètre (y compris l'immuabilité de application_database_name/ application_database_user après le premier déploiement et le moteur fixe MYSQL_8_0).

Tâche 6 — Démanteler [Automatisé]

Sur la page Deployments, ouvrez le déploiement et cliquez sur l'icône Trash (Delete). La suppression exécute terraform destroy et est irréversible (l'enregistrement du déploiement est conservé pour l'historique). Si un déploiement est bloqué et que la plateforme RAD ne peut plus le gérer (par exemple après des modifications manuelles en conflit avec l'état Terraform), utilisez plutôt Purge (depuis la même boîte de dialogue Delete) — elle retire le déploiement des enregistrements de RAD sans détruire les ressources cloud (RAD oublie simplement le déploiement). Cela supprime tout ce que le module a créé — la charge de travail Kubernetes et l'espace de noms, la base de données Cloud SQL, le secret Secret Manager, le bucket de données GCS, le partage NFS Filestore et les images Artifact Registry. Les ressources appartenant à Services_GCP (le VPC, le cluster GKE, le Cloud SQL partagé, le registre) sont gérées séparément et ne sont pas supprimées ici.

Récapitulatif

Tâche	Type	Résultat
1 — Déployer	Automatisé	Le module déploie la charge de travail GKE, Cloud SQL (MySQL 8.0), le NFS Filestore, le bucket GCS, le secret, et exécute `db-init`
2 — Accéder et vérifier	Manuel	Se connecter au cluster ; la vérification de santé réussit ; terminer l'installateur web de Matomo et vérifier le suivi
3 — Exploiter	Manuel	Inspecter la charge de travail, mettre à l'échelle, mettre à jour la version, gérer secrets/stockage, accéder à la base de données, remarque sur le job d'archivage
4 — Observer	Manuel	Interroger Cloud Logging ; examiner les métriques Cloud Monitoring et le test de disponibilité
5 — Dépanner	Manuel	Diagnostiquer les problèmes de pod, de base de données, de job d'initialisation, de NFS, d'image, de stratégie de déploiement et de Redis
6 — Démanteler	Automatisé	Delete (Trash) supprime toutes les ressources du module

Need RAD to do something it does not do yet? Request it on the roadmap, or vote on what is already there.

By Dr Shiyghan Emmanuel Navti · Google Cloud certified: ACE · PCA · PCD · PDE · PSE · CDL

Vue d'ensemble​

Objectifs​

Prérequis​

Tâche 1 — Déployer le module [Automatisé]​

Tâche 2 — Accéder et vérifier [Manuel]​

Tâche 3 — Exploiter et maintenir en service (jour 2) [Manuel]​

Tâche 4 — Observer : journalisation et surveillance [Manuel]​

Tâche 5 — Dépanner et déboguer [Manuel]​

Tâche 6 — Démanteler [Automatisé]​

Récapitulatif​