通过AWS的Lambda和API Gateway走向Serverless ============================ 近来, 计算领域出现了很多关于"serverless"的讨论。Serverless是一个概念，它允许你提供代码或可执行程序给某个服务，由服务来为你执行它们，而你无需自己管理服务器。这就是所谓的执行即服务，它带来了很多机会，同时也出现有它独特的挑战。 简短回忆下计算领域的发展 很早的时候，出现了机械计算机，后来又有了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。 ``` 1950s - 大型机 1960s - 微型机 1994 - 机架服务器 2001 - 刀片服务器 2000s - 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。 计算领域的演讲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，Serverlss! 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。我以为，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，无基础设施成本，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，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。 无限的可扩展性。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，故障可容忍的架构的方式。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，你想用老的serverless服务?你可能不会太幸运。 受限的预装包。你只有提供商预装的包。但是你可能能够提供你自己的包。 受限的执行时间。你的功能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提供商已经增加了一些。下面是一些主流的serverless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 这些平台都有他们的相对优势和劣势(例如，Azure支持C#, 在其他提供商的平台上是深度集成)。这里面最大的玩家是AWS. ### 通过AWS Lambda和API Gateway构建你的第一个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.sh ``` AWS中的信息(想了解这里发生了什么，更详细的信息，可查看源码tools/deploy.py) - API. 真正构建的对象。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。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。Lambda function不干太多活，故我们只添加一些日志记录权限。 - Lambda 函数。运行我们的代码的函数。 - 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提供部署的标记。我们只需要为我们的API用一个(例如，所有的都用生产或者yolo等)， 但是得知道他们是存在的,并且为了真正的能够启动生产的服务，你可能想用开发和分期环境。 - 监控。在我们的业务崩溃的情况下(或者开始从利用率累积出大额账单时), 我们想为错误和费用以云告警查看方式添加一些监控。注意你应该修改tools/deploy.py来正确地设置你的email. ### 代码 Lambda函数将从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。它基本只是浏览"Things in AWS"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' 几乎完成了。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函数,Lambda函数将不能执行，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，进到集成请求, 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: ``` 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。 ### 更多前景 和AWS服务的无缝集成。通过boto, 你可以完美地轻易连接到任何其他的AWS服务。你可以轻易地让你的执行角色用IAM访问这些服务。你可以从S3取文件或放文件到S3，连接到Dynamo DB, 调用其他lambda函数，等等。 访问数据库，你也可以轻易地访问远程数据库。在你的lambda handler模块的最上面连接数据库，并在handler函数中执行查询。你很可能必须从它的安装位置上传相关的包内容才能使它正常工作。可能你也需要静态编译某些库。 调用其他web服务。API Gateway也是一种把web服务的输出从一个格式转换成另一个格式的方法。你可以充分利用这个特点通过不同的web服务来代理调用，或者当业务变更时提供后向兼容能力。 -------------------------------------------------------------------------------- via: http://blog.ryankelly.us/2016/08/07/going-serverless-with-aws-lambda-and-api-gateway.html?utm_source=webopsweekly&utm_medium=email 作者：[Ryan Kelly][a] 译者：[messon007](https://github.com/messon007) 校对：[校对者ID](https://github.com/校对者ID) 本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出 [a]: https://github.com/f0rk/blog.ryankelly.us/ [1]: https://github.com/f0rk/meditations