共計 4594 個字符，預計需要花費 12 分鐘才能閱讀完成。
本篇內容介紹了“如何通過 AWS 的 Lambda 和 API Gateway 走向 Serverless”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓丸趣 TV 小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
簡短回憶下計算領域的發展
早期，出現了 hellip; hellip; 好吧，這有點復雜。很早的時候，出現了機械計算機，后來又有了埃尼阿克 ENIAC(Electronic Numerical Integrator And Computer，很早的電子計算機)，但是都沒有規模生產。直到大型機出現后，計算領域才快速發展。
上世紀 50 年代 – 大型機
上世紀 60 年代 – 微型機
1994 – 機架服務器
2001 – 刀片服務器
本世紀初 – 虛擬服務器
2006 – 服務器云化
2013 – 容器化
2014 – serverless(計算資源服務化)
這些日期是大概的發布或者流行日期，無需和我爭論時間的準確性。計算領域的演進趨勢是執行的功能單元越來越小。每一次演進通常都意味著運維負擔的減小和運維靈活性的增加。
發展前景
喔，Serverless! 但是，serverless 能給我們帶來什么好處? 我們將面臨什么挑戰呢?
未執行代碼時無需付費。我認為，這是個巨大的賣點。當無人訪問你的站點或用你的 API 時，你無需付錢。沒有持續支出的基礎設施成本，僅僅支付你需要的部分。換句話說，這履行了云計算的承諾：“僅僅支付你真正用的資源”。
無需維護服務器，也無需考慮服務器安全。服務器的維護和安全將由你的服務提供商來處理 (當然，你也可以架設自己的 serverless 主機，只是這似乎是在向錯誤的方向前進)。由于你的執行時間也是受限的，安全補丁也被簡化了，因為完全不需要重啟。這些都應該由你的服務提供商無縫地處理。
*** 的可擴展性。這是又一個大的好處。假設你又開發了一個 Pokemon Go, 與其頻繁地把站點下線維護升級，不如用 serverless 來不斷地擴展。當然，這也是個雙刃劍，大量的賬單也會隨之而來。如果你的業務的利潤強依賴于站點上線率的話，serverless 確實能幫上忙。
強制的微服務架構。這也有兩面性，一方面，微服務似乎是一種好的構建靈活可擴展的、容錯的架構的方式。另一方面，如果你的業務沒有按照這種方式設計，你將很難在已有的架構中引入 serverless。
但是現在你被限制在他們的平臺上
受限的環境。你只能用服務提供商提供的環境，你想在 Rust 中用 serverless? 你可能不會太幸運。
受限的預裝包。你只有提供商預裝的包。但是你或許能夠提供你自己的包。
受限的執行時間。你的 Function 只可以運行這么長時間。如果你必須處理 1TB 的文件，你可能需要有一個解決辦法或者用其他方案。
強制的微服務架構。參考上面的描述。
受限的監視和診斷能力。例如，你的代碼在干什么? 在 serverless 中，基本不可能在調試器中設置斷點和跟蹤流程。你仍然可以像往常一樣記錄日志并發出統計度量，但是這帶來的幫助很有限，無法定位在 serverless 環境中發生的難點問題。
競爭領域
自從 2014 年出現 AWS Lambda 以后，serverless 的提供商已經增加了一些。下面是一些主流的服務提供商:
AWS Lambda – 起步最早的
OpenWhisk – 在 IBM 的 Bluemix 云上可用
Google Cloud Functions
Azure Functions
這些平臺都有它們的相對優勢和劣勢 (例如，Azure 支持 C#，或者緊密集成在其他提供商的平臺上)。這里面 *** 的玩家是 AWS。
通過 AWS 的 Lambda 和 API Gateway 構建你的 *** 個 API
我們來試一試 serverless。我們將用 AWS Lambda 和 API Gateway 來構建一個能返回 Jimmy 所說的“Guru Meditations”的 API。
所有代碼在 GitHub 上可以找到。
API 文檔：
POST / { status : success , meditation : did u mention banana cognac shower }怎樣組織工程文件
文件結構樹:
. ├── LICENSE ├── README.md ├── server │ ├── __init__.py │ ├── meditate.py │ └── swagger.json ├── setup.py ├── tests │ └── test_server │ └── test_meditate.py └── tools ├── deploy.py ├── serve.py ├── serve.sh ├── setup.sh └── zip.shAWS 中的信息
API。實際構建的對象。它在 AWS 中表示為一個單獨的對象。
執行角色。在 AWS 中，每個 Function 作為一個單獨的角色執行。在這里就是 meditations。
角色策略。每個 Function 作為一個角色執行，每個角色需要權限來干活。我們的 Lambda Function 不干太多活，故我們只添加一些日志記錄權限。
Lambda Function。運行我們的代碼的地方。
Swagger。Swagger 是 API 的規范。API Gateway 支持解析 swagger 的定義來為 API 配置大部分資源。
部署。API Gateway 提供部署的概念。我們只需要為我們的 API 用一個就行 (例如，所有的都用生產或者 yolo 等)，但是得知道它們是存在的，并且對于真正的產品級服務，你可能想用開發和暫存環境。
監控。在我們的業務崩潰的情況下 (或者因為使用產生大量賬單時)，我們想以云告警查看方式為這些錯誤和費用添加一些監控。注意你應該修改 tools/deploy.py 來正確地設置你的 email。
代碼
Lambda Function 將從一個硬編碼列表中隨機選擇一個并返回 guru meditations，非常簡單：
import logging import random logger = logging.getLogger() logger.setLevel(logging.INFO) def handler(event, context): logger.info(u received request with id {} .format(context.aws_request_id)) meditations = [ off to a regex/ , the count of machines abides , you wouldn t fax a bat , HAZARDOUS CHEMICALS + RKELLY , your solution requires a blood eagle , testing is broken because I m lazy , did u mention banana cognac shower , ] meditation = random.choice(meditations) return { status : success , meditation : meditation, }deploy.py 腳本
這個腳本相當長，我沒法貼在這里。它基本只是遍歷上述“AWS 中的信息”下的項目，確保每項都存在。
我們來部署這個腳本
只需運行 ./tools/deploy.py。
基本完成了。不過似乎在權限申請上有些問題，由于 API Gateway 沒有權限去執行你的 Function，所以你的 Lambda Function 將不能執行，報錯應該是“Execution failed due to configuration error: Invalid permissions on Lambda function”。我不知道怎么用 botocore 添加權限。你可以通過 AWS console 來解決這個問題，找到你的 API, 進到 /POST 端點，進到“integration request”，點擊“Lambda Function”旁邊的編輯圖標，修改它，然后保存。此時將彈出一個窗口提示“You are about to give API Gateway permission to invoke your Lambda function”，點擊“OK”。
當你完成后，記錄下 ./tools/deploy.py 打印出的 URL，像下面這樣調用它，然后查看你的新 API 的行為：
$ curl -X POST https://a1b2c3d4.execute-api.us-east-1.amazonaws.com/prod/ {status : success , meditation : the count of machines abides}本地運行
不幸的是，AWS Lambda 沒有好的方法能在本地運行你的代碼。在這個例子里，我們將用一個簡單的 flask 服務器來在本地托管合適的端點，并調用 handler 函數。
from __future__ import absolute_import from flask import Flask, jsonify from server.meditate import handler app = Flask(__name__) @app.route(/ , methods=[ POST]) def index(): class FakeContext(object): aws_request_id = XXX return jsonify(**handler(None, FakeContext())) app.run(host= 0.0.0.0)你可以在倉庫中用 ./tools/serve.sh 運行它，像這樣調用：
$ curl -X POST http://localhost:5000/ { meditation : your solution requires a blood eagle , status : success }測試
你總是應該測試你的代碼。我們的測試方法是導入并運行我們的 handler 函數。這是最基本的 python 測試方法：
from __future__ import absolute_import import unittest from server.meditate import handler class SubmitTestCase(unittest.TestCase): def test_submit(self): class FakeContext(object): aws_request_id = XXX response = handler(None, FakeContext()) self.assertEquals(response[ status], success ) self.assertTrue(meditation in response)你可以在倉庫里通過 nose2 運行這個測試代碼。
“如何通過 AWS 的 Lambda 和 API Gateway 走向 Serverless”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注丸趣 TV 網站，丸趣 TV 小編將為大家輸出更多高質量的實用文章！
