通過 AWS 的 Lambda 和 API Gateway 走向 Serverless

• 上世紀 50 年代 - 大型機
• 上世紀 60 年代 - 微型機
• 1994 - 機架伺服器
• 2001 - 刀片伺服器
• 本世紀初 - 虛擬伺服器
• 2006 - 伺服器雲化
• 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 能給我們帶來什麼好處? 我們將面臨什麼挑戰呢?

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，這履行了雲計算的承諾：「僅僅支付你真正用的資源」。

無需維護伺服器，也無需考慮伺服器安全。伺服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）。由於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。

無限的可擴展性。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於站點上線率的話，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台上

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 只可以運行這麼長時間。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，你的代碼在幹什麼? 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誌並發出統計度量，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 以後，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 雲上可用
• Google Cloud Functions
• Azure Functions

這些平台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台上）。這裡面最大的玩家是 AWS。

通過 AWS 的 Lambda 和 API Gateway 構建你的第一個 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.sh

AWS 中的信息（想了解這裡究竟在做什麼的詳細信息，可查看源碼 tools/deploy.py）。

• 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。在這裡就是 meditations。
• 角色策略。每個 Function 作為一個角色執行，每個角色需要許可權來幹活。我們的 Lambda Function 不幹太多活，故我們只添加一些日誌記錄許可權。
• Lambda Function。運行我們的代碼的地方。
• Swagger。 Swagger 是 API 的規範。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，並且對於真正的產品級服務，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），我們想以雲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並返回 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，我沒法貼在這裡。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。不過似乎在許可權申請上有些問題，由於 API Gateway 沒有許可權去執行你的 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」。我不知道怎麼用 botocore 添加許可權。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，然後保存。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」。

當你完成後，記錄下 ./tools/deploy.py 列印出的 URL，像下面這樣調用它，然後查看你的新 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 伺服器來在本地託管合適的端點，並調用 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並運行我們的 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。

更多前景

• 和 AWS 服務的無縫集成。通過 boto，你可以完美地輕易連接到任何其他的 AWS 服務。你可以輕易地讓你的執行角色用 IAM 訪問這些服務。你可以從 S3 取文件或放文件到 S3，連接到 Dynamo DB，調用其他 Lambda Function，等等。
• 訪問資料庫。你也可以輕易地訪問遠程資料庫。在你的 Lambda handler 模塊的最上面連接資料庫，並在handler 函數中執行查詢。你很可能必須從它的安裝位置上傳相關的包內容才能使它正常工作。可能你也需要靜態編譯某些庫。
• 調用其他 webservices。API Gateway 也是一種把 webservices 的輸出從一個格式轉換成另一個格式的方法。你可以充分利用這個特點通過不同的 webservices 來代理調用，或者當業務變更時提供後向兼容能力。

via: http://blog.ryankelly.us/2016/08/07/going-serverless-with-aws-lambda-and-api-gateway.html

作者：Ryan Kelly 譯者：messon007 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive