共计 4594 个字符，预计需要花费 12 分钟才能阅读完成。
本篇内容介绍了“如何通过 AWS 的 Lambda 和 API Gateway 走向 Serverless”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让丸趣 TV 小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
简短回忆下计算领域的发展
早期，出现了 hellip; hellip; 好吧，这有点复杂。很早的时候，出现了机械计算机，后来又有了埃尼阿克 ENIAC(Electronic Numerical Integrator And Computer，很早的电子计算机)，但是都没有规模生产。直到大型机出现后，计算领域才快速发展。
上世纪 50 年代 – 大型机
上世纪 60 年代 – 微型机
1994 – 机架服务器
2001 – 刀片服务器
本世纪初 – 虚拟服务器
2006 – 服务器云化
2013 – 容器化
2014 – serverless(计算资源服务化)
这些日期是大概的发布或者流行日期，无需和我争论时间的准确性。计算领域的演进趋势是执行的功能单元越来越小。每一次演进通常都意味着运维负担的减小和运维灵活性的增加。
发展前景
喔，Serverless! 但是，serverless 能给我们带来什么好处? 我们将面临什么挑战呢?
未执行代码时无需付费。我认为，这是个巨大的卖点。当无人访问你的站点或用你的 API 时，你无需付钱。没有持续支出的基础设施成本，仅仅支付你需要的部分。换句话说，这履行了云计算的承诺：“仅仅支付你真正用的资源”。
无需维护服务器，也无需考虑服务器安全。服务器的维护和安全将由你的服务提供商来处理 (当然，你也可以架设自己的 serverless 主机，只是这似乎是在向错误的方向前进)。由于你的执行时间也是受限的，安全补丁也被简化了，因为完全不需要重启。这些都应该由你的服务提供商无缝地处理。
*** 的可扩展性。这是又一个大的好处。假设你又开发了一个 Pokemon Go, 与其频繁地把站点下线维护升级，不如用 serverless 来不断地扩展。当然，这也是个双刃剑，大量的账单也会随之而来。如果你的业务的利润强依赖于站点上线率的话，serverless 确实能帮上忙。
强制的微服务架构。这也有两面性，一方面，微服务似乎是一种好的构建灵活可扩展的、容错的架构的方式。另一方面，如果你的业务没有按照这种方式设计，你将很难在已有的架构中引入 serverless。
但是现在你被限制在他们的平台上
受限的环境。你只能用服务提供商提供的环境，你想在 Rust 中用 serverless? 你可能不会太幸运。
受限的预装包。你只有提供商预装的包。但是你或许能够提供你自己的包。
受限的执行时间。你的 Function 只可以运行这么长时间。如果你必须处理 1TB 的文件，你可能需要有一个解决办法或者用其他方案。
强制的微服务架构。参考上面的描述。
受限的监视和诊断能力。例如，你的代码在干什么? 在 serverless 中，基本不可能在调试器中设置断点和跟踪流程。你仍然可以像往常一样记录日志并发出统计度量，但是这带来的帮助很有限，无法定位在 serverless 环境中发生的难点问题。
竞争领域
自从 2014 年出现 AWS Lambda 以后，serverless 的提供商已经增加了一些。下面是一些主流的服务提供商:
AWS Lambda – 起步最早的
OpenWhisk – 在 IBM 的 Bluemix 云上可用
Google Cloud Functions
Azure Functions
这些平台都有它们的相对优势和劣势 (例如，Azure 支持 C#，或者紧密集成在其他提供商的平台上)。这里面 *** 的玩家是 AWS。
通过 AWS 的 Lambda 和 API Gateway 构建你的 *** 个 API
我们来试一试 serverless。我们将用 AWS Lambda 和 API Gateway 来构建一个能返回 Jimmy 所说的“Guru Meditations”的 API。
所有代码在 GitHub 上可以找到。
API 文档：
POST / { status : success , meditation : did u mention banana cognac shower }怎样组织工程文件
文件结构树:
. ├── 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。实际构建的对象。它在 AWS 中表示为一个单独的对象。
执行角色。在 AWS 中，每个 Function 作为一个单独的角色执行。在这里就是 meditations。
角色策略。每个 Function 作为一个角色执行，每个角色需要权限来干活。我们的 Lambda Function 不干太多活，故我们只添加一些日志记录权限。
Lambda Function。运行我们的代码的地方。
Swagger。Swagger 是 API 的规范。API Gateway 支持解析 swagger 的定义来为 API 配置大部分资源。
部署。API Gateway 提供部署的概念。我们只需要为我们的 API 用一个就行 (例如，所有的都用生产或者 yolo 等)，但是得知道它们是存在的，并且对于真正的产品级服务，你可能想用开发和暂存环境。
监控。在我们的业务崩溃的情况下 (或者因为使用产生大量账单时)，我们想以云告警查看方式为这些错误和费用添加一些监控。注意你应该修改 tools/deploy.py 来正确地设置你的 email。
代码
Lambda Function 将从一个硬编码列表中随机选择一个并返回 guru meditations，非常简单：
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 脚本
这个脚本相当长，我没法贴在这里。它基本只是遍历上述“AWS 中的信息”下的项目，确保每项都存在。
我们来部署这个脚本
只需运行 ./tools/deploy.py。
基本完成了。不过似乎在权限申请上有些问题，由于 API Gateway 没有权限去执行你的 Function，所以你的 Lambda Function 将不能执行，报错应该是“Execution failed due to configuration error: Invalid permissions on Lambda function”。我不知道怎么用 botocore 添加权限。你可以通过 AWS console 来解决这个问题，找到你的 API, 进到 /POST 端点，进到“integration request”，点击“Lambda Function”旁边的编辑图标，修改它，然后保存。此时将弹出一个窗口提示“You are about to give API Gateway permission to invoke your Lambda function”，点击“OK”。
当你完成后，记录下 ./tools/deploy.py 打印出的 URL，像下面这样调用它，然后查看你的新 API 的行为：
$ curl -X POST https://a1b2c3d4.execute-api.us-east-1.amazonaws.com/prod/ {status : success , meditation : the count of machines abides}本地运行
不幸的是，AWS Lambda 没有好的方法能在本地运行你的代码。在这个例子里，我们将用一个简单的 flask 服务器来在本地托管合适的端点，并调用 handler 函数。
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)你可以在仓库中用 ./tools/serve.sh 运行它，像这样调用：
$ curl -X POST http://localhost:5000/ { meditation : your solution requires a blood eagle , status : success }测试
你总是应该测试你的代码。我们的测试方法是导入并运行我们的 handler 函数。这是最基本的 python 测试方法：
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)你可以在仓库里通过 nose2 运行这个测试代码。
“如何通过 AWS 的 Lambda 和 API Gateway 走向 Serverless”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注丸趣 TV 网站，丸趣 TV 小编将为大家输出更多高质量的实用文章！
