Medusa sur GKE Autopilot — Guide de lab

Vue d'ensemble

Durée estimée : 60–90 minutes — c'est l'un des labs les plus longs de ce catalogue. Contrairement à presque tous les autres modules applicatifs, Medusa_GKE construit son image de conteneur à partir du code source (il n'existe pas d'image Docker officielle de Medusa), et il exécute une chaîne d'initialisation en quatre étapes au lieu des un ou deux jobs habituels. Ces deux éléments ajoutent un temps réel et observable à un premier déploiement, en plus du provisionnement Cloud SQL habituel.

Medusa est une plateforme de commerce électronique headless et open source — orientée API, avec un contrôle programmatique complet sur les produits, les paniers, les commandes, les clients et les paiements, ainsi qu'une interface d'administration intégrée servie par le même processus. Ce lab vous fait parcourir tout le cycle de vie opérationnel du module Medusa 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 commerce électronique de Medusa. 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 comprendre pourquoi il prend plus de temps que la plupart des modules de ce catalogue.
Vous connecter au cluster GKE et accéder à la charge de travail en cours d'exécution, y compris l'interface d'administration intégrée.
Effectuer les opérations du jour 2 — inspecter, mettre à l'échelle, mettre à jour et gérer les secrets.
Observer la charge de travail avec Cloud Logging et Cloud Monitoring.
Diagnostiquer et résoudre les problèmes de déploiement et d'exécution les plus courants, y compris les échecs de build de l'image — une catégorie de défaillance à laquelle ce module est particulièrement exposé.
Démanteler proprement le déploiement.

Prérequis

Services_GCP (fournit le VPC, le cluster GKE Autopilot, Cloud SQL, Artifact Registry 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 exécutés.
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 les commandes qu'elle affiche en tant que Owner du projet, puis Verify) et d'accorder le rôle Owner au compte de service de déploiement RAD. Un projet que RAD crée pour vous ne requiert 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 Medusa (GKE) dans la liste Platform Modules, 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 si vous 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.
Ce déploiement prend nettement plus de temps que la plupart des modules de ce catalogue. Trois phases s'exécutent pour l'essentiel en séquence :
- Build de l'image (~10 minutes) : Cloud Build clone medusajs/dtc-starter, exécute pnpm install et medusa build, puis empaquette une image d'exécution — un véritable git clone + installation des dépendances + build de l'application, et pas seulement un docker pull.
- Provisionnement de Cloud SQL (~20 à 35 minutes lors d'un premier déploiement) : habituel pour tout module adossé à PostgreSQL dans ce catalogue, mais il domine la durée totale.
- La chaîne d'initialisation en quatre étapes (Jobs Kubernetes) : db-init → medusa-migrate → medusa-verify → medusa-admin-create, chacune attendant la précédente et chacune présentant en pratique une latence réelle de plusieurs minutes (medusa-migrate dispose à lui seul de 30 minutes au maximum).
Au total, prévoyez 30 à 45 minutes ou plus pour un premier déploiement — c'est normal, et non le signe d'un déploiement bloqué. Suivez le flux de journaux en direct pour voir la progression à travers chaque phase plutôt que de supposer un blocage.

Connectez-vous au cluster et identifiez l'espace de noms avec des 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 medusa | head -1 | cut -d/ -f2)
echo "Cluster: $CLUSTER   Namespace: $NS"
kubectl get all -n "$NS"

Tâche 2 — Accéder et vérifier [Manuel]

Vérifiez 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"

Vérifiez que le service est sain :

curl -s -o /dev/null -w "%{http_code}\n" "http://${EXTERNAL_IP}/health"   # expect 200

Récupérez les identifiants administrateur créés automatiquement dans Secret Manager — contrairement à de nombreuses applications de ce catalogue, le premier utilisateur administrateur de Medusa est initialisé automatiquement par le job d'initialisation medusa-admin-create, et non créé de manière interactive lors de la première visite :

ADMIN_SECRET=$(gcloud secrets list --project="$PROJECT" \
  --filter="name~medusa-admin-password" --format="value(name)")
ADMIN_PASSWORD=$(gcloud secrets versions access latest \
  --secret="$ADMIN_SECRET" --project="$PROJECT")
echo "Admin password: $ADMIN_PASSWORD"
# Admin email is whatever admin_email was set to at deploy time
# (default: admin@techequity.cloud)

Ouvrez http://${EXTERNAL_IP}/app dans un navigateur — Medusa sert son interface d'administration intégrée depuis le même processus et le même port que l'API. Connectez-vous avec l'e-mail et le mot de passe récupérés.
Parcourez les données de démonstration préchargées. Sur une nouvelle installation, medusa-migrate précharge des données d'exemple (boutique, région, produits, inventaire) dans le cadre du propre processus de migration de Medusa — vous devriez voir un catalogue de produits de démonstration déjà rempli dans l'interface d'administration (Products, Regions) sans aucune configuration manuelle.

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

Inspectez la charge de travail — le déploiement et les pods :

kubectl get deploy,pods -n "$NS"
kubectl describe deploy -n "$NS"

Mettez à l'échelle en modifiant les paramètres d'instances min/max et en cliquant sur Update sur la page de détails du déploiement. Notez l'implication propre à ce module en matière de mise à l'échelle : MEDUSA_WORKER_MODE = "shared" signifie que chaque pod en cours d'exécution traite à la fois les requêtes API et les jobs, abonnés et workflows en arrière-plan de Medusa — il n'existe pas de niveau worker distinct à mettre à l'échelle indépendamment. Augmenter le nombre de pods ajoute une capacité redondante à la fois pour le traitement des requêtes et pour le travail en arrière-plan, et non pour l'un ou l'autre. Contrairement à Cloud Run, GKE n'applique aucune limitation du CPU en fonction des requêtes — la limite CPU de chaque pod est disponible en continu, indépendamment du trafic entrant.
Mettez à jour la version de l'application. Modifier le paramètre de version et l'appliquer via Update ne se contente pas de remplacer un tag d'image — comme il n'existe pas d'image amont, cela déclenche une reconstruction complète par Cloud Build (~10 minutes pour l'étape de build) à partir du code source, suivie d'une mise à jour progressive des pods. application_version lui-même ne sélectionne même pas ce qui est reconstruit (le Dockerfile n'a aucun ARG qui le consomme) ; seul MEDUSA_STARTER_REF (fixé sur la branche main de dtc-starter) détermine le code récupéré.

Gérez les secrets et les jobs :

kubectl get secrets -n "$NS"
gcloud secrets list --project="$PROJECT" --filter="name~medusa"
kubectl get jobs -n "$NS"          # the four init jobs

Ouvrez une session de base de données pour inspection ou maintenance :

INSTANCE=$(gcloud sql instances list --project="$PROJECT" --format="value(name)" --limit=1)
# Role and database are tenant-prefixed (e.g. medusademo426161cf) — not the bare app name.
DB_USER=$(gcloud sql users list --instance="$INSTANCE" --project="$PROJECT" \
  --format="value(name)" --filter="name~^medusa" --limit=1)
gcloud sql connect "$INSTANCE" --user="$DB_USER" --project="$PROJECT"

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
```
Recherchez "Server is ready on port: 9000", qui confirme un démarrage sain. 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 CPU et mémoire des pods ainsi que le nombre de redémarrages. Si un pod est arrêté pour manque de mémoire (OOM-killed) sous la charge combinée de l'API et des workflows en arrière-plan, envisagez d'augmenter container_resources.memory_limit au-delà de sa valeur par défaut de 1Gi.

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 Medusa.

Pod non Ready / CrashLoopBackOff : examinez les événements et les journaux.

kubectl describe pod -n "$NS" <pod>          # Events section shows scheduling/probe/mount errors
kubectl logs -n "$NS" <pod> --previous       # logs from the crashed container

Erreurs de connexion à la base de données ou à Redis : vérifiez que l'instance Cloud SQL est RUNNABLE, que le secret du mot de passe de la base a bien été matérialisé dans l'espace de noms et que Redis est réellement joignable — n'oubliez pas que Medusa journalise le message faussement rassurant "redisUrl not found. A fake redis instance will be used." et démarre malgré tout au lieu d'échouer franchement, si bien qu'une connexion Redis manquante peut ressembler à un déploiement sain qui se comporte mal sous charge.
Échecs de migration ou de vérification : examinez le job et les journaux de son pod. medusa-verify est conçu pour faire échouer l'application bruyamment (plutôt que de livrer silencieusement un pod d'apparence saine face à une base de données vide) — s'il a échoué, le message d'erreur indique le nombre de tables trouvées :
```
kubectl get jobs -n "$NS"
kubectl logs -n "$NS" job/<service-name>-medusa-migrate
kubectl logs -n "$NS" job/<service-name>-medusa-verify
```
Échecs de build de l'image — le mode de défaillance le plus caractéristique de ce module. Comme l'image est construite à partir du code source à chaque déploiement, ce module est celui du lot le plus susceptible de rencontrer un véritable échec de Cloud Build — par exemple, une modification amont du dépôt dtc-starter qui casse l'étape de clonage, pnpm install ou medusa build. Consultez l'historique de Cloud Build pour obtenir le journal complet du build en échec :
```
gcloud builds list --project="$PROJECT" --limit=5
gcloud builds log <build-id> --project="$PROJECT"
```
Un build qui échoue avec "medusa: not found" au démarrage du conteneur (plutôt qu'au moment du build) correspond au bogue d'isolation de l'espace de travail pnpm documenté dans la section Configuration Pitfalls du Guide de configuration — le correctif figure déjà dans le Dockerfile livré, mais il vaut la peine de le reconnaître si vous le modifiez un jour. Lorsqu'une version propre à Cloud Run de ce type de problème ressemble à un blocage permanent sans cause identifiable à partir des seuls journaux, l'accès shell kubectl exec de GKE est un véritable avantage — kubectl exec <pod> -- ps aux peut montrer si une étape de démarrage lente progresse encore réellement ou si elle est bloquée.
Pod en attente / pas d'IP externe : consultez les événements de kubectl describe pod pour repérer des problèmes de ressources ou de quota, et vérifiez que le Service LoadBalancer s'est vu attribuer une IP.

Consultez la section Configuration Pitfalls du Guide de configuration pour les pièges propres à chaque paramètre.

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) — cette action retire le déploiement des enregistrements de RAD sans détruire les ressources cloud (RAD oublie le déploiement). La suppression retire tout ce que le module a créé — la charge de travail Kubernetes et l'espace de noms, la base de données Cloud SQL, les secrets Secret Manager et les images d'Artifact Registry (ainsi que tout bucket GCS, si enable_gcs_storage était activé). 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 construit l'image Medusa à partir du code source (~10 min), la déploie sur GKE Autopilot avec Cloud SQL (PostgreSQL 15) et les secrets, puis exécute la chaîne d'initialisation en quatre étapes (~30 à 45 min ou plus au total)
2 — Accéder et vérifier	Manuel	Se connecter au cluster ; le contrôle de santé réussit ; récupérer les identifiants administrateur créés automatiquement dans Secret Manager ; se connecter à l'interface d'administration intégrée sur `/app` ; parcourir les produits de démonstration préchargés
3 — Exploiter	Manuel	Inspecter la charge de travail, mettre à l'échelle (mode worker partagé — chaque pod traite à la fois l'API et le travail en arrière-plan), mettre à jour la version (déclenche une reconstruction complète depuis le code source), gérer les secrets, accéder à la base
4 — Observer	Manuel	Interroger Cloud Logging ; examiner les métriques Cloud Monitoring
5 — Dépanner	Manuel	Diagnostiquer les problèmes de pod, de base de données/Redis, de job de migration/vérification, de planification et de build de l'image
6 — Démanteler	Automatisé	La suppression (Trash) retire 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​