日常工作：研究室 6：運用 Workflows 自動化調度管理

1. 總覽

在先前的實驗室中，您建構了 Pic-a-daily 應用程式的事件驅動版本，該版本使用 Google Cloud Storage 觸發的 Cloud Function 執行 Image Analysis 服務、透過 Pub/Sub 執行 GCS 觸發的 Cloud Run 容器執行 Thumbnail 服務，並使用 Eventarc 觸發 Cloud Run 上的 Image Garbage Collector 服務。此外，Cloud Scheduler 也觸發了 Collage 服務：

d93345bfc235f81e.png

在本實驗室中，您將建立應用程式的自動化調度管理版本。您不會讓不同類型的事件流經系統，而是使用 Workflows 自動化調度管理及呼叫服務，如下所示：

b763efcbf5589747.png

課程內容

  • App Engine
  • Cloud Firestore
  • Cloud Functions
  • Cloud Run
  • 工作流程

2. 設定和需求

自修實驗室環境設定

  1. 登入 Cloud 控制台，建立新專案或重複使用現有專案。(如果沒有 Gmail 或 Google Workspace 帳戶，請先建立帳戶)。

96a9c957bc475304.png

b9a10ebdf5b5a448.png

a1e3c01a38fa61c2.png

請記住專案 ID，這是所有 Google Cloud 專案中不重複的名稱 (上述名稱已遭占用，因此不適用於您，抱歉！)。本程式碼研究室稍後會將其稱為 PROJECT_ID。

  1. 接著，您必須在 Cloud 控制台中啟用帳單，才能使用 Google Cloud 資源。

完成本程式碼研究室的費用應該不高，甚至完全免費。請務必按照「清除」部分的指示操作，瞭解如何停用資源，避免在本教學課程結束後繼續產生帳單費用。Google Cloud 新使用者可參加價值$300 美元的免費試用計畫。

啟動 Cloud Shell

雖然可以透過筆電遠端操作 Google Cloud，但在本程式碼研究室中，您將使用 Google Cloud Shell，這是可在雲端執行的指令列環境。

在 GCP 主控台，按一下右上角工具列的 Cloud Shell 圖示：

bce75f34b2c53987.png

佈建並連線至環境的作業需要一些時間才能完成。完成後，您應該會看到如下的內容：

f6ef2b5f13479f3a.png

這部虛擬機器搭載各種您需要的開發工具，並提供永久的 5GB 主目錄，而且可在 Google Cloud 運作，大幅提升網路效能並強化驗證功能。本實驗室的所有工作都可在瀏覽器上完成。

3. Workflows 簡介

90fcd42d556e310e.jpeg

您可以使用 Workflows 建立無伺服器工作流程，按照您定義的順序，將一系列無伺服器工作串連在一起。您可以結合 Google Cloud API、Cloud Functions 和 Cloud Run 等無伺服器產品，並呼叫外部 API，藉此建構彈性的無伺服器應用程式。

正如您對協調器的期望，您可以使用 YAML/JSON 型工作流程定義語言，在 Workflows 中定義業務邏輯流程，並透過 Workflows Execution API 和 Workflows UI 觸發這些流程。

除了協調工具，還內建下列可設定功能：

  • 在步驟之間彈性重試及處理錯誤，確保步驟可靠執行。
  • JSON 剖析和步驟間的變數傳遞，可避免使用膠合程式碼。
  • 決策的運算式公式可執行條件式步驟。
  • 子工作流程，適用於模組化和可重複使用的工作流程。
  • 支援外部服務，可自動調度管理 Google Cloud 以外的服務。
  • 支援 Google Cloud 和外部服務的驗證，確保步驟執行安全無虞。
  • 連接器可連線至 Pub/Sub、Firestore、Tasks、Secret Manager 等 Google Cloud 服務，方便整合。

更不用說，Workflows 是全代管的無伺服器產品。不必設定或擴充伺服器，而且只需要為實際使用的資源付費。

4. 啟用 API

在本實驗室中，您將使用 Workflows 連結 Cloud Functions 和 Cloud Run 服務。您也會使用 App Engine、Cloud Build、Vision API 和其他服務。

在 Cloud Shell 中，確認已啟用所有必要服務：

gcloud services enable \
  appengine.googleapis.com \
  cloudbuild.googleapis.com \
  cloudfunctions.googleapis.com \
  compute.googleapis.com \
  firestore.googleapis.com \
  run.googleapis.com \
  vision.googleapis.com \
  workflows.googleapis.com \

過一段時間後，您應該會看到作業順利完成：

Operation "operations/acf.5c5ef4f6-f734-455d-b2f0-ee70b5a17322" finished successfully.

5. 取得程式碼

如果您尚未在先前的程式碼研究室中取得程式碼，請執行下列操作：

git clone https://github.com/GoogleCloudPlatform/serverless-photosharing-workshop

您會看到下列資料夾結構，與本實驗室相關：

frontend
 |
workflows
 |
 ├── functions
 ├── |── trigger-workflow
 ├── |── vision-data-transform
 ├── services
 ├── |── collage
 ├── |── thumbnails
 ├── workflows.yaml

相關資料夾如下：

  • frontend 包含我們在實驗室 4 中重複使用的 App Engine 前端。
  • functions 包含為工作流程建立的 Cloud Functions。
  • services 包含為工作流程修改的 Cloud Run 服務。
  • workflows.yaml 是工作流程定義檔案。

6. 探索 Workflows YAML

workflows.yaml 會以一系列步驟定義工作流程。讓我們一起瞭解。

工作流程開始時，會傳入一些參數。這兩項函式會觸發工作流程，並傳遞這些值。我們稍後會介紹這些函式，但這就是工作流程的啟動方式：

d44a5e18aa9d4660.png

在 YAML 中，您可以看到這些參數已指派給 init 步驟中的變數，例如觸發事件的檔案和值區名稱，以及 Workflows 將呼叫的部分 Cloud Functions 和 Cloud Run 服務的網址：

main:
  params: [args]
  steps:
    - init:
        assign:
          - file: ${args.file}
          - bucket: ${args.bucket}
          - gsUri: ${"gs://" + bucket + "/" + file}
          - projectId: ${sys.get_env("GOOGLE_CLOUD_PROJECT_ID")}
          - urls: ${args.urls}

接著，工作流程會檢查事件類型。支援的事件類型有 2 種：object.finalize (在雲端儲存空間 bucket 中儲存檔案時發出) 和 object.delete (刪除檔案時發出)。否則會引發不支援事件的例外狀況。

dd1f450983655619.png

以下是 YAML 工作流程定義中的步驟，我們會檢查檔案儲存空間事件的類型：

    - eventTypeSwitch:
        switch:
            - condition: ${args.eventType == "google.storage.object.finalize"}
              next: imageAnalysisCall
            - condition: ${args.eventType == "google.storage.object.delete"}
              next: pictureGarbageCollectionGCS
    - eventTypeNotSupported:
        raise: ${"eventType " + args.eventType + " is not supported"}
        next: end

請注意，工作流程支援 switch 陳述式和例外狀況處理，包括 switch 指令及其各種條件，以及在無法辨識事件時引發錯誤的 raise 指令。

接著來看看 imageAnalysisCall。這是 Workflows 的一系列呼叫，可呼叫 Vision API 分析圖片、轉換 Vision API 回應資料，以便排序圖片中辨識到的事物標籤、挑選主要顏色、檢查圖片是否適合顯示，然後將中繼資料儲存至 Cloud Firestore。

請注意，除了 Vision Transform Cloud Functions (稍後會部署)，所有作業都會在 Workflows 中完成：

ca2ad16b9cbb436.png

YAML 中的步驟如下所示：

    - imageAnalysisCall:
        call: http.post
        args:
          url: https://vision.googleapis.com/v1/images:annotate
          headers:
            Content-Type: application/json
          auth:
            type: OAuth2
          body:
            requests:
            - image:
                source:
                  gcsImageUri: ${gsUri}
              features:
              - type: LABEL_DETECTION
              - type: SAFE_SEARCH_DETECTION
              - type: IMAGE_PROPERTIES
        result: imageAnalysisResponse
    - transformImageAnalysisData:
        call: http.post
        args:
          url: ${urls.VISION_DATA_TRANSFORM_URL}
          auth:
            type: OIDC
          body: ${imageAnalysisResponse.body}
        result: imageMetadata
    - checkSafety:
        switch:
          - condition: ${imageMetadata.body.safe == true}
            next: storeMetadata
        next: end
    - storeMetadata:
        call: http.request
        args:
          url: ${"https://firestore.googleapis.com/v1/projects/" + projectId + "/databases/(default)/documents/pictures/" + file + "?updateMask.fieldPaths=color&updateMask.fieldPaths=labels&updateMask.fieldPaths=created"}
          auth:
            type: OAuth2
          method: PATCH
          body:
            name: ${"projects/" + projectId + "/databases/(default)/documents/pictures/" + file}
            fields:
              color:
                stringValue: ${imageMetadata.body.color}
              created:
                timestampValue: ${imageMetadata.body.created}
              labels:
                arrayValue:
                  values: ${imageMetadata.body.labels}
        result: storeMetadataResponse

分析完圖片後，接下來的兩個步驟是建立圖片的縮圖，以及最近圖片的拼貼。方法是部署 2 項 Cloud Run 服務，並從 thumbnailCall 和 collageCall 步驟呼叫這些服務：

76f9179323c3144.png

YAML 中的步驟：

   - thumbnailCall:
        call: http.post
        args:
          url: ${urls.THUMBNAILS_URL}
          auth:
            type: OIDC
          body:
              gcsImageUri: ${gsUri}
        result: thumbnailResponse
    - collageCall:
        call: http.get
        args:
          url: ${urls.COLLAGE_URL}
          auth:
            type: OIDC
        result: collageResponse

這個執行分支會在 finalizeCompleted 步驟中，從各項服務傳回狀態碼，藉此結束：

    - finalizeCompleted:
        return:
          imageAnalysis: ${imageAnalysisResponse.code}
          storeMetadata: ${storeMetadataResponse.code}
          thumbnail: ${thumbnailResponse.code}
          collage: ${collageResponse.code}

另一種執行分支是從主要儲存空間 bucket 刪除檔案，其中包含圖片的高畫質版本。在這個分支中，我們要刪除含有縮圖的值區中的圖片縮圖，並從 Firestore 刪除其中繼資料。這兩項作業都是透過 Workflows 的 HTTP 呼叫完成：

f172379274dcb3c2.png

YAML 中的步驟：

    - pictureGarbageCollectionGCS:
        try:
          call: http.request
          args:
            url: ${"https://storage.googleapis.com/storage/v1/b/thumbnails-" + projectId + "/o/" + file}
            auth:
              type: OAuth2
            method: DELETE
          result: gcsDeletionResult
        except:
          as: e
          steps:
              - dummyResultInOutVar:
                  assign:
                      - gcsDeletionResult:
                          code: 200
                          body: "Workaround for empty body response"
    - pictureGarbageCollectionFirestore:
        call: http.request
        args:
          url: ${"https://firestore.googleapis.com/v1/projects/" + projectId + "/databases/(default)/documents/pictures/" + file}
          auth:
            type: OAuth2
          method: DELETE
        result: firestoreDeletionResult

刪除分支會傳回每個步驟的結果 / 程式碼，藉此結束：

    - deleteCompleted:
        return:
          gcsDeletion: ${gcsDeletionResult}
          firestoreDeletion: ${firestoreDeletionResult.code}

在後續步驟中，我們會建立 Workflows 的所有外部依附元件：buckets、Cloud Functions、Cloud Run 服務和 Firestore 資料庫。

7. 建立 bucket

您需要 2 個圖片儲存空間：1 個用於儲存原始高解析度圖片，另 1 個用於儲存圖片縮圖。

使用 gsutil 工具建立公開區域 (本例為歐洲) bucket，讓使用者能以一致的存取權上傳圖片：

export BUCKET_PICTURES=uploaded-pictures-${GOOGLE_CLOUD_PROJECT}
gsutil mb -l EU gs://${BUCKET_PICTURES}
gsutil uniformbucketlevelaccess set on gs://${BUCKET_PICTURES}
gsutil iam ch allUsers:objectViewer gs://${BUCKET_PICTURES}

建立另一個公開區域 bucket 來儲存縮圖：

export BUCKET_THUMBNAILS=thumbnails-${GOOGLE_CLOUD_PROJECT}
gsutil mb -l EU gs://${BUCKET_THUMBNAILS}
gsutil uniformbucketlevelaccess set on gs://${BUCKET_THUMBNAILS}
gsutil iam ch allUsers:objectViewer gs://${BUCKET_THUMBNAILS}

如要確認 bucket 已建立並設為公開，請前往 Cloud 控制台的 Cloud Storage 專區：

15063936edd72f06.png

8. Vision 資料轉換 (Cloud Function)

Workflows.yaml 以 init、eventTypeSwitch、eventTypeNotSupported 步驟開頭。這些規則可確保來自值區的事件會傳送至正確步驟。

對於 object.finalize 事件，imageAnalysisCall 步驟會呼叫 Vision API，擷取所建立圖片的中繼資料。所有步驟都在 Workflows 中完成：

daaed43a22d2b0d3.png

接著，我們需要轉換 Vision API 傳回的資料，才能將資料儲存至 Firestore。具體來說，我們需要：

  • 列出圖片傳回的標籤。
  • 擷取圖片的主色。
  • 判斷圖片是否安全。

這項作業是在 Cloud Functions 的程式碼中完成，而 Workflows 只需呼叫這個函式：

5e120e70c67779cd.png

探索程式碼

系統會呼叫 Cloud Functions vision-data-transform。您可以在 index.js 中查看完整程式碼。如您所見，這個函式的唯一用途是執行 JSON 到 JSON 的轉換，以便在 Firestore 中方便地儲存圖片中繼資料。

部署至 Cloud Functions

前往下列資料夾：

cd workflows/functions/vision-data-transform/nodejs

設定所選區域：

export REGION=europe-west1
gcloud config set functions/region ${REGION}

使用下列指令部署函式：

export SERVICE_NAME=vision-data-transform
gcloud functions deploy ${SERVICE_NAME} \
  --source=. \
  --runtime nodejs10 \
  --entry-point=vision_data_transform \
  --trigger-http \
  --allow-unauthenticated

部署函式後，Workflows transformImageAnalysisData 步驟就能呼叫這個函式，進行 Vision API 資料轉換。

9. 準備資料庫

工作流程的下一個步驟是檢查圖片資料的安全性，然後將 Vision API 傳回的圖片相關資訊儲存到 Cloud Firestore 資料庫。這個資料庫是快速、全代管、無伺服器的雲端原生 NoSQL 文件資料庫：

6624c616bc7cd97f.png

這兩項作業都會在 Workflows 中完成，但您必須建立 Firestore 資料庫，才能儲存中繼資料。

首先，請在要建立 Firestore 資料庫的地區中建立 App Engine 應用程式 (這是 Firestore 的必要條件)：

export REGION_FIRESTORE=europe-west2
gcloud app create --region=${REGION_FIRESTORE}

接著，在相同區域中建立 Firestore 資料庫：

gcloud firestore databases create --region=${REGION_FIRESTORE}

系統會以程式輔助方式在集合中建立文件，並包含 4 個欄位：

  • name (字串)：上傳圖片的檔案名稱，也是文件的鍵
  • 標籤 (字串陣列)：Vision API 辨識項目的標籤
  • color (字串)：主色的十六進位顏色代碼 (即 #ab12ef)
  • created (日期)：儲存這張圖片中繼資料的時間戳記
  • 縮圖 (布林值)：選用欄位，如果系統已為這張相片產生縮圖，這個欄位就會存在並設為 true

由於我們會在 Firestore 中搜尋有縮圖的圖片，並依建立日期排序，因此需要建立搜尋索引。您可以使用下列指令建立索引：

gcloud firestore indexes composite create --collection-group=pictures \
  --field-config field-path=thumbnail,order=descending \
  --field-config field-path=created,order=descending

請注意，建立索引最多可能需要 10 分鐘。

建立索引後，您可以在 Cloud 控制台中查看：

43af1f5103bf423.png

Workflows storeMetadata 步驟現在可以將圖片中繼資料儲存至 Firestore。

10. 縮圖服務 (Cloud Run)

鏈結中的下一個步驟是建立圖片的縮圖。這項作業是在 Cloud Run 服務的程式碼中完成，而 Workflows 會在 thumbnailCall 步驟中呼叫這項服務：

84d987647f082b53.png

探索程式碼

Cloud Run 服務稱為「thumbnails」。您可以在 index.js 中查看完整程式碼。

建構及發布容器映像檔

Cloud Run 會執行容器，但您必須先建構容器映像檔 (定義於 Dockerfile 中)。您可以使用 Google Cloud Build 建構容器映像檔，然後將映像檔代管至 Google Container Registry。

前往下列資料夾：

cd workflows/services/thumbnails/nodejs

版本：

export SERVICE_SRC=thumbnails
export SERVICE_NAME=${SERVICE_SRC}-service
gcloud builds submit \
  . \
  --tag gcr.io/${GOOGLE_CLOUD_PROJECT}/${SERVICE_NAME}

一兩分鐘後，建構作業應該就會成功，且容器會部署至 Google Container Registry。

部署至 Cloud Run

設定一些必要的變數和設定：

export BUCKET_THUMBNAILS=thumbnails-${GOOGLE_CLOUD_PROJECT}
export REGION=europe-west1
gcloud config set run/region ${REGION}
gcloud config set run/platform managed

使用下列指令部署：

gcloud run deploy ${SERVICE_NAME} \
    --image gcr.io/${GOOGLE_CLOUD_PROJECT}/${SERVICE_NAME} \
    --no-allow-unauthenticated \
    --memory=1Gi \
    --update-env-vars BUCKET_THUMBNAILS=${BUCKET_THUMBNAILS}

服務部署完成後，Workflows thumbnailCall 步驟就能呼叫這項服務。

11. 相片組合服務 (Cloud Run)

接下來，請從最近的圖片製作拼貼。這項作業是在 Cloud Run 服務的程式碼中完成，而 Workflows 會在 collageCall 步驟中呼叫這項服務：

591e36149066e1ba.png

探索程式碼

Cloud Run 服務稱為「collage」。您可以在 index.js 中查看完整程式碼。

建構及發布容器映像檔

Cloud Run 會執行容器，但您必須先建構容器映像檔 (定義於 Dockerfile 中)。您可以使用 Google Cloud Build 建構容器映像檔，然後將映像檔代管至 Google Container Registry。

前往下列資料夾：

cd services/collage/nodejs

版本：

export SERVICE_SRC=collage
export SERVICE_NAME=${SERVICE_SRC}-service
gcloud builds submit \
  . \
  --tag gcr.io/${GOOGLE_CLOUD_PROJECT}/${SERVICE_NAME}

一兩分鐘後，建構作業應該就會成功，且容器會部署至 Google Container Registry。

部署至 Cloud Run

設定一些必要的變數和設定：

export BUCKET_THUMBNAILS=thumbnails-${GOOGLE_CLOUD_PROJECT}
export REGION=europe-west1
gcloud config set run/region ${REGION}
gcloud config set run/platform managed

部署：

gcloud run deploy ${SERVICE_NAME} \
    --image gcr.io/${GOOGLE_CLOUD_PROJECT}/${SERVICE_NAME} \
    --no-allow-unauthenticated \
    --memory=1Gi \
    --update-env-vars BUCKET_THUMBNAILS=${BUCKET_THUMBNAILS}

服務部署完畢後，您可以在 Cloud Console 的 Cloud Run 專區中，檢查這兩項服務是否正在執行，工作流程 collageCall 步驟也將能夠呼叫這項服務：

3ae9873f4cbbf423.png

12. 部署工作流程

我們已部署 Workflows 的所有外部依附元件。其餘所有步驟 (finalizeCompleted、pictureGarbageCollectionGCS、pictureGarbageCollectionFirestore、deleteCompleted) 都可以由 Workflows 本身完成。

現在可以部署工作流程了！

前往內含 workflows.yaml 檔案的資料夾，然後使用下列指令部署該檔案：

export WORKFLOW_REGION=europe-west4
export WORKFLOW_NAME=picadaily-workflows
gcloud workflows deploy ${WORKFLOW_NAME} \
  --source=workflows.yaml \
  --location=${WORKFLOW_REGION}

幾秒後，工作流程就會部署完成，您可以在 Cloud Console 的「工作流程」部分中看到：

94a720149e5df9c5.png

您可以點選工作流程並加以編輯。編輯時，您會看到工作流程的精美視覺化呈現方式：

55441b158f6027f3.png

您也可以透過 Cloud Console 手動執行工作流程，並提供正確的參數。我們會在下一個步驟中，因應 Cloud Storage 事件自動執行這項作業。

13. 工作流程觸發條件 (Cloud Functions)

工作流程已部署完成，現在，我們需要在 Cloud Storage bucket 中建立或刪除檔案時觸發 Workflows。這些分別是 storage.object.finalize 和 storage.object.delete 事件。

您可以使用 Workflows 的 API 和用戶端程式庫，建立、管理及執行 Workflows。在本例中，您將使用 Workflows Execution API，更具體來說，是使用其 Node.js 用戶端程式庫觸發工作流程。

您將透過監聽 Cloud Storage 事件的 Cloud Function 觸發 Workflows。由於 Cloud Function 只能監聽一種事件類型，因此您需要部署兩個 Cloud Function，分別監聽建立和刪除事件：

c4d79646de729e4.png

探索程式碼

系統會呼叫 Cloud Functions trigger-workflow。您可以在 index.js 中查看完整程式碼。

部署至 Cloud Functions

前往下列資料夾：

cd workflows/functions/trigger-workflow/nodejs

設定一些必要的變數和設定：

export BUCKET_PICTURES=uploaded-pictures-${GOOGLE_CLOUD_PROJECT}
export REGION=europe-west1
export WORKFLOW_NAME=picadaily-workflows
export WORKFLOW_REGION=europe-west4
export COLLAGE_URL=$(gcloud run services describe collage-service --format 'value(status.url)')
export THUMBNAILS_URL=$(gcloud run services describe thumbnails-service --format 'value(status.url)')
export VISION_DATA_TRANSFORM_URL=$(gcloud functions describe vision-data-transform --format 'value(httpsTrigger.url)')
gcloud config set functions/region ${REGION}

部署函式，以回應最終事件：

export SERVICE_NAME=trigger-workflow-on-finalize
gcloud functions deploy ${SERVICE_NAME} \
  --source=. \
  --runtime nodejs10 \
  --entry-point=trigger_workflow \
  --trigger-resource=${BUCKET_PICTURES} \
  --trigger-event=google.storage.object.finalize \
  --allow-unauthenticated \
  --set-env-vars GOOGLE_CLOUD_PROJECT=${GOOGLE_CLOUD_PROJECT},WORKFLOW_REGION=${WORKFLOW_REGION},WORKFLOW_NAME=${WORKFLOW_NAME},THUMBNAILS_URL=${THUMBNAILS_URL},COLLAGE_URL=${COLLAGE_URL},VISION_DATA_TRANSFORM_URL=${VISION_DATA_TRANSFORM_URL}

部署第二個函式，回應刪除事件：

export SERVICE_NAME=trigger-workflow-on-delete
gcloud functions deploy ${SERVICE_NAME} \
  --source=. \
  --runtime nodejs10 \
  --entry-point=trigger_workflow \
  --trigger-resource=${BUCKET_PICTURES} \
  --trigger-event=google.storage.object.delete \
  --allow-unauthenticated \
  --set-env-vars GOOGLE_CLOUD_PROJECT=${GOOGLE_CLOUD_PROJECT},WORKFLOW_REGION=${WORKFLOW_REGION},WORKFLOW_NAME=${WORKFLOW_NAME},THUMBNAILS_URL=${THUMBNAILS_URL},COLLAGE_URL=${COLLAGE_URL},VISION_DATA_TRANSFORM_URL=${VISION_DATA_TRANSFORM_URL}

部署完成後，您可以在 Cloud 控制台中看到這兩個函式：

7d60c8b7851f39f5.png

14. 前端 (App Engine)

在本步驟中，您將從 Pic-a-daily：實驗室 4 - 建立網頁前端，在 Google App Engine 上建立網頁前端，讓使用者從網頁應用程式上傳圖片，以及瀏覽上傳的圖片和縮圖。

223fb2281614d053.png

如要進一步瞭解 App Engine 並閱讀程式碼說明，請參閱「Pic-a-daily：實驗室 4 - 建立網頁前端」。

探索程式碼

App Engine 應用程式稱為 frontend。您可以在 index.js 中查看完整程式碼。

部署至 App Engine

前往下列資料夾：

cd frontend

設定所選區域，並將 app.yaml 中的 GOOGLE_CLOUD_PROJECT 替換為實際專案 ID：

export REGION=europe-west1
gcloud config set compute/region ${REGION}
sed -i -e "s/GOOGLE_CLOUD_PROJECT/${GOOGLE_CLOUD_PROJECT}/" app.yaml

部署：

gcloud app deploy app.yaml -q

一兩分鐘後，系統會告知應用程式正在提供流量：

Beginning deployment of service [default]...
╔════════════════════════════════════════════════════════════╗
╠═ Uploading 8 files to Google Cloud Storage                ═╣
╚════════════════════════════════════════════════════════════╝
File upload done.
Updating service [default]...done.
Setting traffic split for service [default]...done.
Deployed service [default] to [https://GOOGLE_CLOUD_PROJECT.appspot.com]
You can stream logs from the command line by running:
  $ gcloud app logs tail -s default
To view your application in the web browser run:
  $ gcloud app browse

您也可以前往 Cloud Console 的 App Engine 專區，查看應用程式是否已部署，並探索 App Engine 的各項功能，例如版本控管和流量分配：

f4bd5f4de028bd83.png

15. 測試工作流程

如要測試，請前往應用程式的預設 App Engine 網址 (https://<YOUR_PROJECT_ID>.appspot.com/)，您應該會看到前端 UI 正在運作！

1649ac060441099.png

上傳圖片。這應該會觸發 Workflows，您可以在 Cloud Console 中看到工作流程執行作業處於 Active 狀態：

b5a2a3d7a2bc094.png

工作流程完成後，您可以按一下執行 ID，查看不同服務的輸出內容：

8959df5098c21548.png

再上傳 3 張圖片。您也應該會看到 Cloud Storage bucket 和 App Engine 前端更新的圖片縮圖和拼貼：

d90c786ff664a5dc.png

16. 清除 (選用)

如果您不打算保留應用程式，可以刪除整個專案來清除資源，節省費用，並當個優質的雲端使用者：

gcloud projects delete ${GOOGLE_CLOUD_PROJECT}

17. 恭喜！

您使用 Workflows 調度及呼叫服務，建立了應用程式的自動化調度管理版本。

涵蓋內容

  • App Engine
  • Cloud Firestore
  • Cloud Functions
  • Cloud Run
  • 工作流程