共计 11955 个字符，预计需要花费 30 分钟才能阅读完成。
这期内容当中丸趣 TV 小编将会给大家带来有关如何用 Serverless 优雅地实现图片艺术化应用，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
如何从零开始搭建一个基于腾讯云 Serverless 的图片艺术化应用。
项目看点概览：
前端 react（Next.js）、后端 node（koa2）
全面使用 ts 进行开发，极致开发体验（后端运行时 ts 的方案，虽然性能差点，不过胜在无需编译，适合写 demo）
突破云函数代码 500mb 限制（提供解决方案）
TensorFlow2 + Serverless 扩展想象力边际
高性能，轻松应对万级高并发，实现高可用（自信的表情，反正是平台干的活）
秒级部署，十秒部署上线
开发周期短（本文就能带你完成开发）
本项目部署借助了 Serverless component，因此当前开发环境需先全局安装 Serverless 命令行工具
npm install -g serverless需求与架构
本应用的整体需求很简单：图片上传与展示。
模块概览
上传图片
浏览图片
用对象存储提供存储服务
在开发之前，我们先创建一个 oss 用于提供图片存储（可以使用你已有的对象存储）
mkdir oss在新建的 oss 目录下添加 serverless.yml
component: cos
name: xart-oss
app: xart
stage: dev
inputs:
src:
src: ./
exclude:
- .env # 防止密钥被上传
bucket: ${name} # 存储桶名称，如若不添加 AppId 后缀，则系统会自动添加，后缀为大写（xart-oss- 你的 appid） website: false
targetDir: /
protocol: https
region: ap-guangzhou # 配置区域，尽量配置在和服务同区域内，速度更快
acl:
permissions: public-read # 读写配置为，私有写，共有读
执行 sls deploy 几秒后，你应该就能看到如下提示，表示新建对象存储成功。
这里，我们看到 url https://art-oss- appid .cos.ap-guangzhou.myqcloud.com，可以发现默认的命名规则是 https:// 名字 -appid .cos. 地域 .myqcloud.com
简单记录一下，在后面服务中会用到，忘记了也不要紧，看看 .env 内 TENCENT_APP_ID 字段（部署后会自动生成 .env）
实现后端服务
新建一个目录并初始化
mkdir art-api cd art-api npm init安装依赖（期望获取 ts 类型提示，请自行安装 @types）
npm i koa @koa/router @koa/cors koa-body typescript ts-node cos-nodejs-sdk-v5 axios dotenv配置 tsconfig.json
{
compilerOptions : {
target : es2018 ,
module : commonjs ,
lib : [es2018 , esnext.asynciterable],
experimentalDecorators : true,
emitDecoratorMetadata : true,
esModuleInterop : true
}
}
入口文件 sls.js
require(ts-node).register({ transpileOnly: true }); // 载入 ts 运行时环境，配置忽略类型错误
module.exports = require(./app.ts // 直接引入业务逻辑，下面我会和你一起实现补充两个实用知识点：
node -r
在入口文件中引入 require(ts-node).register({transpileOnly: true}) 实际等同于 node -r ts-node/register/transpile-only
所以 node -r 就是在执行之前载入一些特定模块，利用这个能力，能快速实现对一些功能的支持
比如 node -r esm main.js 通过 esm 模块就能在无需 babel、webpack 的情况下快速 import 与 export 进行模块加载与导出
ts 加载路径
如果不希望用 ../../../../../ 来加载模块，那么
在 tsconfig.json 中配置 baseUrl: .
ts-node -r tsconfig-paths/register main.ts 或 require(tsconfig-paths).register()
import utils from src/utils 即可愉快地从项目根路径加载模块
下面来实现具体逻辑：
app.ts
require(dotenv).config(); // 载入 .env 环境变量，可以将一些密钥配置在环境变量中，并通过 .gitignore 阻止提交
import Koa from koa
import Router from @koa/router
import koaBody from koa-body
import cors from @koa/cors
import util from util
import COS from cos-nodejs-sdk-v5
import axios from axios
const app = new Koa();
const router = new Router();
var cos = new COS({
SecretId: process.env.SecretId // 你的 id,
SecretKey: process.env.SecretKey // 你的 key,
const cosInfo = {
Bucket: xart-oss- 你的 appid , // 部署 oss 后获取
Region: ap-guangzhou ,
const putObjectSync = util.promisify(cos.putObject.bind(cos));
const getBucketSync = util.promisify(cos.getBucket.bind(cos));
router.get(/hello , async (ctx) = {
ctx.body = hello world!
router.get(/api/images , async (ctx) = {
const files = await getBucketSync({
...cosInfo,
Prefix: result ,
});
const cosURL = `https://${cosInfo.Bucket}.cos.${cosInfo.Region}.myqcloud.com`;
ctx.body = files.Contents.map((it) = { const [timestamp, size] = it.Key.split(.jpg)[0].split( __
const [width, height] = size.split( _
return { url: `${cosURL}/${it.Key}`,
width,
height,
timestamp: Number(timestamp),
name: it.Key,
};
})
.filter(Boolean)
.sort((a, b) = b.timestamp - a.timestamp);
router.post(/api/images/upload , async (ctx) = { const { imgBase64, style } = JSON.parse(ctx.request.body)
const buf = Buffer.from(imgBase64.replace(/^data:image\/\w+;base64,/, ), base64 )
// 调用预先提供 tensorflow 服务加工图片，后面替换成你自己的服务
const { data } = await axios.post( https://service-edtflvxk-1254074572.gz.apigw.tencentcs.com/release/ , { imgBase64: buf.toString( base64),
style
})
if (data.success) {
const afterImg = await putObjectSync({
...cosInfo,
Key: `result/${Date.now()}__400_200.jpg`,
Body: Buffer.from(data.data, base64),
});
ctx.body = {
success: true,
data: https:// + afterImg.Location
}
}
app.use(cors());
app.use(koaBody({
formLimit: 10mb ,
jsonLimit: 10mb ,
textLimit: 10mb
app.use(router.routes()).use(router.allowedMethods());
const port = 8080;
app.listen(port, () = { console.log( listen in http://localhost:%s , port);
module.exports = app;在代码里可以看到，在图片上传采用了 base64 的形式。这里需要注意，通过 api 网关触发 scf 的时候，网关无法透传 binary，具体上传规则可以参阅官方文档：
再补充一个知识点：实际我们访问的是 api 网关，然后触发云函数，来获得请求返回结果，所以 debug 时需要关注全链路
回归正题，接着配置环境变量 .env
NODE_ENV=development
# 配置 oss 上传所需密钥，需要自行配置，配好了也别告诉我：）# 密钥查看地址：https://console.cloud.tencent.com/cam/capi
SecretId=xxxx
SecretKey=xxxx
以上，server 部分就开发完成了，我们可以通过在本地执行 node sls.js 来验证一下，应该可以看到服务启动的提示了。
listen in http://localhost:8080
来简单配置一下 serverless.yml，把服务部署到线上，后面再进一步使用 layer 进行优化
component: koa # 这里填写对应的 component
app: art
name: art-api
stage: dev
inputs:
src:
src: ./
exclude:
- .env
functionName: ${name}
region: ap-guangzhou
runtime: Nodejs10.15
functionConf:
timeout: 60 # 超时时间配置的稍微久一点
environment:
variables: # 配置环境变量，同时也可以直接在 scf 控制台配置
NODE_ENV: production
apigatewayConf:
enableCORS: true
protocols:
- https
- http
environment: release之后执行部署命令 sls deploy
等待数十秒，应该会得到如下的输出结果（如果是第一次执行，需要平台方授权）
其中 url 就是当前服务部署在线上的地址，我们可以试着访问一下看看，是否看到了预设的 hello world。
到这里，server 基本上已经部署完成了。如果代码有改动，那就修改后再次执行 sls deploy。官方为代码小于 10M 的项目提供了在线编辑的能力。
但是，随着项目复杂度的增加，deploy 上传会变慢。所以，让我们再优化一下。
新建 layer 目录
mkdir layer在 layer 目录下添加 serverless.yml
component: layer
app: art
name: art-api-layer
stage: dev
inputs:
region: ap-guangzhou
name: ${name}
src: ../node_modules # 将 node_modules 打包上传
runtimes:
- Nodejs10.15 # 注意配置为相同环境
回到项目根目录，调整一下根目录的 serverless.yml
component: koa # 这里填写对应的 component
app: art
name: art-api
stage: dev
inputs:
src:
src: ./
exclude:
- .env
- node_modules/** # deploy 时排除 node_modules
functionName: ${name}
region: ap-guangzhou
runtime: Nodejs10.15
functionConf:
timeout: 60 # 超时时间配置的稍微久一点
environment:
variables: # 配置环境变量，同时也可以直接在 scf 控制台配置
NODE_ENV: production
apigatewayConf:
enableCORS: true
protocols:
- https
- http
environment: release
layers:
- name: ${output:${stage}:${app}:${name}-layer.name} # 配置对应的 layer
version: ${output:${stage}:${app}:${name}-layer.version} # 配置对应的 layer 版本接着执行命令 sls deploy –target=./layer 部署 layer，然后这次部署看看速度应该已经在 10s 左右了
sls deploy关于 layer 和云函数，补充两个知识点：
layer 的加载与访问
layer 会在函数运行时，将内容解压到 /opt 目录下，如果存在多个 layer，那么会按时间循序进行解压。如果需要访问 layer 内的文件，可以直接通过 /opt/xxx 访问。如果是访问 node_module 则可以直接 import，因为 scf 的 NODE_PATH 环境变量默认已包含 /opt/node_modules 路径。
配额
云函数 scf 针对每个用户帐号，均有一定的配额限制：
其中需要重点关注的就是单个函数代码体积 500mb 的上限。在实际操作中，云函数虽然提供了 500mb。但也存在着一个 deploy 解压上限。
关于绕过配额问题：
如果超的不多，那么使用 npm install –production 就能解决问题
如果超的太多，那就通过挂载 cfs 文件系统来进行规避，我会在下面部署 tensorflow 算法模型服务章节里面，展开聊聊如何把 800mb tensorflow 的包 + 模型部署到 SCF 上
实现前端 SSR 服务
下面将使用 next.js 来构建一个前端 SSR 服务。
新建目录并初始化项目：
mkdir art-front cd art-front npm init安装依赖：
npm install next react react-dom typescript @types/node swr antd @ant-design/icons dayjs增加 ts 支持（next.js 跑起来会自动配置）：
touch tsconfig.json打开 package.json 文件并添加 scripts 配置段：
scripts : {
dev : next ,
build : next build ,
start : next start
}
编写前端业务逻辑（文中仅展示主要逻辑，源码在 GitHub 获取）
pages/_app.tsx
import React from react
import antd/dist/antd.css
import { SWRConfig } from swr
export default function MyApp({ Component, pageProps }) {
return (
SWRConfig
value={{
refreshInterval: 2000,
fetcher: (...args) = fetch(args[0], args[1]).then((res) = res.json()),
}}
Component {...pageProps} /
/SWRConfig
);
}pages/index.tsx 完整代码
import React from react
import { Card, Upload, message, Radio, Spin, Divider } from antd
import { InboxOutlined } from @ant-design/icons
import dayjs from dayjs
import useSWR from swr
let origin = http://localhost:8080
if (process.env.NODE_ENV === production) {
// 使用你自己的部署的 art-api 服务地址
origin = https://service-5yyo7qco-1254074572.gz.apigw.tencentcs.com/release
// 略...
export default function Index() { const { data } = useSWR(`${origin}/api/images`);
const [img, setImg] = React.useState( const [loading, setLoading] = React.useState(false);
const uploadImg = React.useCallback((file, style) = { const reader = new FileReader();
reader.readAsDataURL(file);
reader.onload = async () = {
const res = await fetch( `${origin}/api/images/upload`, {
method: POST ,
body: JSON.stringify({
imgBase64: reader.result,
style
}),
mode: cors
}
).then((res) = res.json());
if (res.success) { setImg(res.data);
} else { message.error(res.message);
}
setLoading(false);
}
}, []);
const [artStyle, setStyle] = React.useState(STYLE_MODE.cube);
return (
Dragger
>使用 npm run dev 把前端跑起来看看，看到以下提示就是成功了
ready - started server on http://localhost:3000
接着配置 serverless.yml（如果有需要可以参考前文，使用 layer 优化部署体验）
component: nextjs
app: art
name: art-front
stage: dev
inputs:
src:
dist: ./
hook: npm run build
exclude:
- .env
region: ap-guangzhou
functionName: ${name}
runtime: Nodejs12.16
staticConf:
cosConf:
bucket: art-front # 将前端静态资源部署到 oss，减少 scf 的调用频次
apigatewayConf:
enableCORS: true
protocols:
- https
- http
environment: release
# customDomains: # 如果需要，可以自己配置自定义域名
# - domain: xxxxx
# certificateId: xxxxx # 证书 ID
# # 这里将 API 网关的 release 环境映射到根路径
# isDefaultMapping: false
# pathMappingSet:
# - path: /
# environment: release
# protocols:
# - https
functionConf:
timeout: 60
memorySize: 128
environment:
variables:
apiUrl: ${output:${stage}:${app}:art-api.apigw.url} # 此处可以将 api 通过环境变量注入由于我们额外配置了 oss，所以需要额外配置一下 next.config.js
const isProd = process.env.NODE_ENV === production
const STATIC_URL =
https://art-front- 你的 appid .cos.ap-guangzhou.myqcloud.com/
module.exports = { assetPrefix: isProd ? STATIC_URL : ,};提供 Tensorflow 2.x 算法模型服务
在上面的例子中，我们使用的 Tensorflow，暂时还是调用我预先提供的接口。
接着让我们会把它替换成我们自己的服务。
基础信息
tensoflow2.3
model
scf 在 python 环境下，默认提供了 tensorflow1.9 依赖包，使用 python 可以用较低的成本直接上手。
问题所在
但如果你想使用 2.x 版本，或不熟悉 python，想用 node 来跑 tensorflow，那么就会遇到代码包大小的限制的问题。
Python 中 Tensorflow 2.3 包体积 800mb 左右
node 中 tfjs-node2.3 安装后，同样会超过 400mb（tfjs core 版本，非常小，不过速度太慢）
怎么解决 —— 文件存储服务！
先看看 CFS 文档的介绍
挂载后，就可以正常使用了，腾讯云提供了一个简单例子。
var fs = requiret( fs
exports.main_handler = async (event, context) = { await fs.promises.writeFile( /mnt/myfolder/filel.txt , JSON.stringify(event));
return event;
};
既然能正常读写，那么就能够正常的载入 npm 包，可以看到我直接加载了 /mnt 目录下的包，同时 model 也放在 /mnt 下
tf = require( /mnt/nodelib/node_modules/@tensorflow/tfjs-node
jpeg = require( /mnt/nodelib/node_modules/jpeg-js
images = require( /mnt/nodelib/node_modules/images
loadModel = async () = tf.node.loadSavedModel( /mnt/model如果你使用 Python，那么可能会遇到一个问题，那就是 scf 默认环境下提供了 tensorflow 1.9 的依赖包，所以需要使用 insert，提高 /mnt 目录下包的优先级
sys.path.insert(0, ./mnt/xxx)上面提供了解决方案，那么具体开发中可能会感觉很麻烦，因为 csf 必须和 scf 配置在同一个子网内，无法挂载到本地进行操作。
所以，在实际部署过程中，可以在对应网络下，购置一台按需计费的 ecs 云服务器实例。然后将硬盘挂载后，直接进行操作，最后在云函数成功部署后，销毁实例：）
sudo yum install nfs-utils
mkdir 待挂载目标目录
sudo mount -t nfs -o vers=4.0，noresvport 挂载点 IP :/ 待挂载目录具体业务代码如下：
const fs = require( fs
let tf, jpeg, loadModel, images;
if (process.env.NODE_ENV !== production) {
tf = require( @tensorflow/tfjs-node
jpeg = require( jpeg-js
images = require( images
loadModel = async () = tf.node.loadSavedModel( ./model} else { tf = require( /mnt/nodelib/node_modules/@tensorflow/tfjs-node
jpeg = require( /mnt/nodelib/node_modules/jpeg-js
images = require( /mnt/nodelib/node_modules/images
loadModel = async () = tf.node.loadSavedModel( /mnt/model
exports.main_handler = async (event) = { const { imgBase64, style } = JSON.parse(event.body)
if (!imgBase64 || !style) { return { success: false, message: 需要提供完整的参数 imgBase64、style };
}
time = Date.now();
console.log( 解析图片 --
const styleImg = tf.node.decodeJpeg(fs.readFileSync(`./imgs/style_${style}.jpeg`));
const contentImg = tf.node.decodeJpeg( images(Buffer.from(imgBase64, base64)).size(400).encode(jpg , { operation: 50 }) // 压缩图片尺寸
);
const a = styleImg.toFloat().div(tf.scalar(255)).expandDims();
const b = contentImg.toFloat().div(tf.scalar(255)).expandDims();
console.log(-- 解析图片 %s ms , Date.now() - time);
console.log( 载入模型 --
const model = await loadModel();
console.log(-- 载入模型 %s ms , Date.now() - time);
console.log( 执行模型 --
const stylized = tf.tidy(() = { const x = model.predict([b, a])[0];
return x.squeeze();
});
console.log(-- 执行模型 %s ms , Date.now() - time);
time = Date.now();
const imgData = await tf.browser.toPixels(stylized);
var rawImageData = { data: Buffer.from(imgData),
width: stylized.shape[1],
height: stylized.shape[0],
};
const result = images(jpeg.encode(rawImageData, 50).data)
.draw( images( ./imgs/logo.png),
Math.random() * rawImageData.width * 0.9,
Math.random() * rawImageData.height * 0.9
)
.encode(jpg , { operation: 50 });
return { success: true, data: result.toString( base64) };
};
上述就是丸趣 TV 小编为大家分享的如何用 Serverless 优雅地实现图片艺术化应用了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注丸趣 TV 行业资讯频道。
