kubectl命令自动补齐

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.9k累计阅读 3k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创 2022-03-29 19:34:28 2.9k 阅读 AI 写同款· GEO 优化 ›

Kubectl 中命令自动补齐在使用 kubectl 这个工具的时候，发现命令不能自动补齐，大大降低了效率！解决办法： 1、安装 bash-completion apt-get update apt-get install bash-completion 或 yum install bash-completion 2、执行 type _init_completion 命令检查 bash-completion 是否安装 ro... 阅读详情

安装bash-completion

apt-get install bash-completion

然后将下面内容添加到~/.bashrc

echo 'source /usr/share/bash-completion/bash_completion' >> ~/.bashrc

重新加载shell

source ~/.bashrc

再输入命令

type _init_completion

来验证bash-completion 的安装状态

启动kubectl自动补全功能

#当前用户
echo 'source <(kubectl completion bash)' >> ~/.bashrc
#系统全局
kubectl completion bash | sudo tee /etc/bash_completion.d/kubectl > /dev/null

然后再重新加载shell

source ~/.bashrc

收录于

云原生

当前文章被收录于：

云原生

8 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#kubernetes

kubectl工具实现自动补全功能官方说明#Linux配置方法。阅读详情

相关推荐

kubectl命令大全

文章目录参考书籍：《Kubernetes权威指南第4版从Docker到Kubernetes实践全接触》一、常用别名二、基本命令`2.1.创建或更新资源对象``2.2.查看资源对象``2.3.描述资源对象``2.4.删除资源对象``2.5.执行容器的命令``2.6.查看容器的日志``2.7.kubectl自动补齐`三、Pod操作`3.1. 生成一个外部访问的端口``3.2. 强制删除Pod``3.3. 添加taint，避免Pod 调度到特定Node 上``2.4. 将Pod的开放端口映射到本地``3.5. 在

运维@小兵的博客 1万+

kubectl 命令自动补全

进行 Kubernetes 操作时。你可以将这些加载命令添加到你的 Shell 配置文件中，以便每次启动 Shell 时都能自动加载。的命令补全脚本来实现自动补全提示的方法。这可以大大提高在命令行中使用。这是一种非常方便的方法，尤其在你经常使用。在 Bash 中，可以通过以下方式加载。在 Zsh 中，可以使用以下方式加载。键来进行命令自动补全了。在这之后，你就可以在终端中输入。

别忘了微笑 3885

【k8s故障处理篇】解决k8s集群中kubectl命令补全问题

jks212454的博客 980

kubectl常用命令

会在升级记录中记录本条命令,建议使用新版注解参数。将被弃用.建议添加这个参数形成良好的习惯.参数会添加注解,老版的注解。将在查询变更时非常有效.

教Linux的李老师 3845

flowable表中文注释-表结构-主要表结构字段注释-sql脚本

flowable表结构中文注释，主要表结构字段注释，sql执行脚本，包含MySQL版和Oracle版sql脚本。

bushinakeshu的博客 1068

告别玄学：手把手配置EtherCAT从站PDI接口与同步采样（含Sync/Latch信号实战）

本文详细解析了EtherCAT从站PDI接口配置与同步采样技术，涵盖微处理器通信与直接驱动IO模式选择、同步采样四大触发模式（SOF、Latch_in、Sync0/Sync1）及输出触发实战。通过伺服驱动器实例，帮助工程师突破配置难点，实现高精度同步控制，提升工业自动化系统性能。

weixin_30667649的博客 483

Kubernetes的kubectl命令补全

Kubernetes的kubectl命令自动补全教程

XiaoHH的博客 2345

手把手教你用Gazebo+ROS搭建智能小车机械臂系统（含完整配置文件）

本文提供了一份详细的实践指南，手把手教你使用Gazebo和ROS搭建智能小车机械臂仿真系统。内容涵盖从URDF/Xacro模型设计、Gazebo控制器配置到ROS话题通信与系统集成的完整流程，并提供了可复用的配置文件与调试技巧，帮助开发者快速构建并控制一个功能完备的移动操作机器人平台。

sugar的博客 971

linux命令setmac,macOs和Linux环境下kubectl命令自动补齐的方法

kubectl命令自动补齐帮助说明Kubernetes提供了命令补齐的帮助说明，执行如下命令：5bug-MacBook:~/codes/projects/k8s-demo$kubectlcompletion--helpOutputshellcompletioncodeforthespecifiedshell(bashorzsh).Theshellcodemust...

weixin_35322457的博客 646

Claude Code Router 401错误修复

claude code router配置相关环境变量问题

如沐春风 6357

物料帐配置之重估消耗

物料帐配置 ML material ledger

SAP刺客的博客 5908

为kubectl配置别名和命令行补齐

配置别名 # vim ~/.bashrc 添加 alias k='kubectl' # source ~/.bashrc 配置命令行补齐 # yum install -y bash-completion -y # chmod +x /usr/share/bash-completion/bash_completion # /usr/share/bash-comple...

weixin_30575309的博客 423

C#海康威视摄像头控制，将IntPtr转换成Bitmap图片

C#通过skd控制海康威视摄像头，获取bitmap格式图片

ReflexMechanism的博客 6586

Kubernetes常用指令

例如，可以使用-s或-server参数指定 Kubernetes API服务器的地址和端口。-o yaml可以以yaml 格式查看pod的信息，也可以指定已有资源加-o wide 查询状态信息)-n, --namespace (指定要查询的命名空间。pod (查询当前的 pod 资源，不加其他参数表示查询默认命名空间下的 pod)获取一个或多个资源对象的信息，如：pod 的运行状态、容器数量、命名空间等。--all-namespaces,-A (获取所有命名空间中的资源信息)

m0_72009757的博客 1140

高性能优化的本质

在很早之前，处理器性能的提升一般是通过减小元器件的尺寸，增加元器件的数量，提高主频来实现，这也是摩尔定律所说的，但是由于功耗的影响，主频不能一直增加。后来，由于英伟达的GPU的并行计算的出现，逐渐打破摩尔定律，人们利用多核，SIMD，SIMT来处理大量相同计算的数据，这极大的提高了效率。计算机的算力得到了巨大的提升，但是并行是困难的，对于有数据依赖的程序来说，处理并行是一件及其困难的事，但对于一些简单的数学库的计算，并行的实现相对简单。

发狂的小花的博客 273

基于FISCO BCOS 部署可升级的 Solidity存证智能合约

本文介绍了基于FISCOBCOS平台的可升级Solidity存证智能合约实现方案。采用透明代理模式，包含逻辑合约、代理合约和管理合约三部分，支持业务逻辑升级而不影响存储数据。详细阐述了合约架构设计、Solidity代码实现、Go SDK交互流程以及完整的部署升级步骤。方案具有数据持久性、版本兼容性和生产就绪等特点，提供了权限控制、输入验证等安全机制，并包含监控管理工具。该实现为企业级区块链存证应用提供了可靠的基础架构，支持后续功能扩展和定制化开发。

分享AI、区块链技术及应用，未来已来 1513

k8s常用命令

gswcfl 346

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

Kubernetes基础命令、常用指令

Kubernetes 基础命令；Kubernetes常用命令；

m0_73907608的博客 2186

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2024.9.12（k8s环境搭建2）

root@k8s-master dashboard]# kubectl get svc kubernetes-dashboard -n kubernetes-dashboard //获取端口。[root@k8s-master pods]# kubectl top pods -n kube-system //查看kube-system命名空间的所有节点。[root@k8s-master dashboard]# kubectl create -f . //使用当前目录。三台机器执行：（更新版本）

weixin_70751278的博客 1563

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

云计算48--------Kubernetes基础命令、常用指令

一、Kubernetes 自动补齐# 安装自动补齐软件# 临时开启自动补齐功能# 永久开启自动补齐功能二、Kubernetes 基础命令command：指定要对一个或多个资源执行的操作。例如 create、get、describe、delete等。(增删改查)type：指定资源类型。资源类型不区分大小写，可以指定单数、复数或缩写形式。name：指定资源的名称。名称区分大小写。如果省略名称,则显示所有资源的详细信息:kubectl get pods。flags:指定可选的参数。

2301_78168469的博客 843

mac zsh模式下安装kubectl命令自动补全工具

按照关键字“mac kubectl 命令自动补全”搜索，结果基本都是以bash模式写的，如下：因为我现在的mac默认使用的shell是zsh，所以按照上述方式并不能安装kubectl的命令自动补全工具。傻傻的尝试了很多遍，都不生效。查阅了官方手册，终于找到了答案，亲测有效！官方链接：在 macOS 系统上安装和设置 kubectl | Kubernetes 不必使用brew安装bash-completion,不必修改.bash_profile，简单到令人感到发指，只需执行一条指令即可！ s

yanghongxing2012的博客 2005

kubectl命令自动补全功能

我们在管理k8s集群的时候，避免不了使用kubectl命令工具，但是该命令还是挺复杂的，使用中也记不住那么多的api选项，故这里介绍一下kubectl命令补全工具的安装。 1：安装bash-completion： # yum install -y bash-completion # source /usr/share/bash-completion/bash_completion 2：应用kub...

weixin_34008805的博客 619

[kubernetes/效率] 开启kubectl命令行自动补全功能

本文使用CentOS和bash

mathemagics的博客 456

k8s命令自动补全

设置k8s命令自动补全命令： source <(kubectl completion bash) && echo 'source <(kubectl completion bash)' >> ~/.bashrc

ksj367043706的博客 1056

上一篇：浅谈流量限制

下一篇： k8s init-container

kubectl命令大全