每日图片：实验 6 - 使用 Workflows 进行编排

1. 概览

在之前的实验中，您构建了 Pic-a-daily 应用的事件驱动型版本，该版本使用 Google Cloud Storage 触发的 Cloud Functions 函数以用于图片分析服务，一个 GCS 通过 Pub/Sub 触发 Cloud Run 容器的缩略图服务触发 Cloud Run 容器，并使用 Eventarc 触发 Cloud Run 上的图片垃圾回收器服务。还有一项 Cloud Scheduler 触发的拼贴服务：

d93345bfc235f81e.png

在本实验中，您将创建一个应用的编排版本。您无需使用不同类型的事件流经系统，而是使用 Workflows 来编排和调用服务，如下所示：

b763efcbf5589747.png

学习内容

  • App Engine
  • Cloud Firestore
  • Cloud Functions
  • Cloud Run
  • Workflows

2. 设置和要求

自定进度的环境设置

  1. 登录 Cloud 控制台，然后创建一个新项目或重复使用现有项目。 （如果您还没有 Gmail 或 Google Workspace 账号，则必须创建一个。）

96a9c957bc475304

b9a10ebdf5b5a448.png

a1e3c01a38fa61c2.png

请记住项目 ID，它在所有 Google Cloud 项目中都是唯一的名称（上述名称已被占用，您无法使用，抱歉！）。它稍后将在此 Codelab 中被称为 PROJECT_ID。

  1. 接下来，您需要在 Cloud 控制台中启用结算功能，才能使用 Google Cloud 资源。

运行此 Codelab 应该不会产生太多的费用（如果有费用的话）。请务必按照“清理”部分部分，其中会指导您如何关停资源，以免产生超出本教程范围的结算费用。Google Cloud 的新用户符合参与 300 美元的免费试用计划的条件。

启动 Cloud Shell

虽然可以通过笔记本电脑对 Google Cloud 进行远程操作，但在此 Codelab 中，您将使用 Google Cloud Shell，这是一个在云端运行的命令行环境。

在 GCP 控制台中，点击右上角工具栏上的 Cloud Shell 图标：

bce75f34b2c53987.png

预配和连接到环境应该只需要片刻时间。完成后，您应该会看到如下内容：

f6ef2b5f13479f3a.png

这个虚拟机已加载了您需要的所有开发工具。它提供了一个持久的 5GB 主目录，并且在 Google Cloud 中运行，大大增强了网络性能和身份验证功能。只需一个浏览器，即可完成本实验中的所有工作。

3. Workflows 简介

90fcd42d556e310e.jpeg

您可以使用 Workflows 创建无服务器工作流，以便按照您定义的顺序将一系列无服务器任务关联在一起。您可以结合使用 Google Cloud 的 API、Cloud Functions 和 Cloud Run 等无服务器产品以及对外部 API 的调用，以创建灵活的无服务器应用。

正如您对编排器所期望的那样，Workflows 允许您使用基于 YAML/JSON 的工作流定义语言来定义业务逻辑的流，并提供 Workflows Execution API 和 Workflows 界面来触发这些流。

它不仅仅是一个具有下列可配置内置功能的编排系统：

  • 在步骤之间灵活地进行重试和错误处理，确保步骤的执行可靠。
  • 在步骤之间进行 JSON 解析和变量传递，以避免粘合代码。
  • 用于决策的表达式公式支持按条件执行步骤。
  • 适用于模块化且可重复使用的工作流的子工作流。
  • 通过支持外部服务，您可以编排 Google Cloud 以外的服务。
  • 为 Google Cloud 和外部服务提供身份验证支持，以确保安全执行步骤。
  • 连接到 Google Cloud 服务（例如 Pub/Sub、Firestore、Tasks、Secret Manager），可简化集成。

更不用说，Workflows 是一款全代管式无服务器产品。您无需配置或扩缩服务器，并且只需为实际用量付费。

4. 启用 API

在本实验中，您将使用 Workflows 连接 Cloud Functions 和 Cloud Run 服务。您还将使用 App Engine、Cloud Build、Vision API 和其他服务。

在 Cloud Shell 中，确保启用了所有必要的服务：

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 \

一段时间后，您应该会看到操作成功完成：

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

5. 获取代码

如果之前的 Codelab 中没有获得过该代码，请执行以下操作：

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

您将获得以下与此实验相关的文件夹结构：

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

以下是相关文件夹：

  • frontend 包含我们将在实验 4 中重复使用的 App Engine 前端。
  • functions 包含为工作流创建的 Cloud Functions 函数。
  • services 包含为工作流修改的 Cloud Run 服务。
  • workflows.yaml 是工作流定义文件。

6. 探索 Workflows YAML

workflows.yaml 通过一系列步骤定义了工作流。我们来仔细了解一下它。

在工作流开始时，系统会传入一些参数。它们将由两个触发 Workflows 的 Cloud Functions 函数传入。我们稍后会介绍这些函数，但 Workflows 的启动方式如下：

d44a5e18aa9d4660.png

在 YAML 中，您可以看到这些参数在 init 步骤中分配给了变量，例如触发事件的文件和存储分区名称，以及 Workflows 将调用的某些 Cloud Functions 和 Cloud Run 服务的网址：

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}

接下来，Workflows 检查事件类型。支持两种事件类型：object.finalize（文件保存在 Cloud Storage 存储分区中时发出）和 object.delete（文件被删除时发出）。执行任何其他操作都会引发不受支持的事件异常。

dd1f450983655619.png

以下是 YAML 工作流定义中的步骤，我们将检查文件存储事件类型：

    - 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

请注意 Workflows 如何通过 switch 指令及其各种条件支持 switch 语句和异常处理，以及如何在无法识别事件时引发错误。

接下来，我们来看看 imageAnalysisCall。这是来自 Workflows 的一系列调用，用于调用 Vision API 来分析图片，转换 Vision API 响应数据以对图片中识别出的内容的标签进行排序，选择主色，检查图片是否可以安全显示，然后将元数据保存到 Cloud Firestore。

请注意，除 Vision Transform Cloud Functions 函数（稍后将部署）之外的所有其他操作都在 Workflows 中完成：

ca2ad16b9cbb436.png

YAML 格式的步骤如下：

    - 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

图片分析完毕后，接下来的两个步骤是创建图片的缩略图和最新图片的拼贴图。具体方法是部署 2 项 Cloud Run 服务，并通过 thumbnailCall 和 collageCall 步骤调用这些服务：

76f9179323c3144

YAML 中的步骤：

   - 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

此执行分支以 finalizeCompleted 步骤中每项服务返回状态代码结束：

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

执行的另一个分支是从主存储分区中删除某个文件，该文件包含图片的高分辨率版本。在该分支中，我们需要从包含缩略图的存储分区中删除图片缩略图，并从 Firestore 中删除该图片的元数据。这两个操作都通过 Workflows 中的 HTTP 调用完成：

f172379274dcb3c2.png

YAML 中的步骤：

    - 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

delete 分支最后会返回每个步骤的结果 / 代码：

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

在以下步骤中，我们将创建 Workflows 的所有外部依赖项：存储分区、Cloud Functions、Cloud Run 服务和 Firestore 数据库。

7. 创建存储分区

您需要为图片设置 2 个存储分区：一个用于保存原始高分辨率图片，另一个用于保存图片的缩略图。

使用 gsutil 工具创建一个具有统一访问权限的公共区域级（本例中为欧洲）存储分区，以便用户上传照片：

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}

为缩略图再创建一个公开区域存储分区：

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}

您可以访问 Cloud 控制台的 Cloud Storage 部分，仔细检查存储分区是否已创建并公开：

15063936edd72f06

8. Vision 数据转换 (Cloud Functions)

Workflows.yaml 以 init、eventTypeSwitch、eventTypeNotSupported 步开头。这可确保将来自存储分区的事件路由到正确的步骤。

对于 object.finalize 事件，imageAnalysisCall 步骤会调用 Vision API 以提取所创建图片的元数据。所有这些步骤都在 Workflows 中完成：

daaed43a22d2b0d3.png

接下来，我们需要转换从 Vision API 返回的数据，然后才能将其保存到 Firestore。更具体地说，我们需要：

  • 列出为图片返回的标签。
  • 检索图片的主色。
  • 确定照片是否安全。

这是在 Cloud Functions 函数的代码中完成的，Workflows 会直接调用此函数：

5e120e70c67779cd.png

探索代码

Cloud Functions 函数称为 vision-data-transform。您可以在 index.js 中查看其完整代码。如您所见，此函数的唯一目的是执行从 JSON 到 JSON 的转换，以便方便地在 Firestore 中存储图片元数据。

部署到 Cloud Functions

导航到该文件夹：

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

设置您选择的区域：

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

使用以下命令部署该函数：

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

部署函数后，Workflows transformImageAnalysisData 步骤将能够调用此函数以执行 Vision API 数据转换。

9. 准备数据库

工作流程中的下一步是通过图片数据检查图片的安全性，然后将 Vision API 返回的图片相关信息存储到 Cloud Firestore 数据库（一种快速、全代管式、无服务器、云原生的 NoSQL 文档数据库）中：

6624c616bc7cd97f

这两项操作都在 Workflows 中完成，但您需要创建 Firestore 数据库才能存储元数据。

首先，在您想要 Firestore 数据库的区域中创建 App Engine 应用（Firestore 的一项要求）：

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

接下来，在同一区域中创建 Firestore 数据库：

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

这些文档将在我们的集合中以编程方式创建，并包含 4 个字段：

  • name（字符串）：已上传图片的文件名，也是文档的键
  • labels（字符串数组）：Vision API 识别出的项目的标签
  • color（字符串）：主色的十六进制颜色代码（即#ab12ef）
  • created（日期）：存储此图片的元数据时的时间戳
  • thumbnail（布尔值）：选填字段，如果为此照片生成了缩略图，此字段将是 true

我们将在 Firestore 中搜索包含缩略图的图片，并按创建日期排序，因此需要创建一个搜索索引。您可以使用以下命令创建索引：

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

请注意，索引创建过程最多可能需要 10 分钟左右。

创建索引后，您可以在 Cloud 控制台中查看该索引：

43af1f5103bf423

Workflows storeMetadata 步骤现在能够将图片元数据存储到 Firestore。

10. 缩略图服务 (Cloud Run)

链中的下一个步骤是创建图片的缩略图。这是在 Cloud Run 服务的代码中完成的，Workflows 会在 thumbnailCall 步骤中调用此服务：

84d987647f082b53.png

探索代码

Cloud Run 服务称为 thumbnails。您可以在 index.js 中查看其完整代码。

构建和发布容器映像

Cloud Run 可以运行容器，但您首先需要构建容器映像（在 Dockerfile 中定义）。Google Cloud Build 可用于构建容器映像，然后托管到 Google Container Registry。

导航到该文件夹：

cd workflows/services/thumbnails/nodejs

构建：

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

一两分钟后，构建应该会成功，容器将部署到 Google Container Registry。

部署到 Cloud Run

设置一些所需的变量和配置：

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

使用以下命令进行部署：

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}

部署该服务后，Workflows thumbnailCall 步骤将能够调用此服务。

11. 拼图服务 (Cloud Run)

链中的下一个步骤是根据最新的图片创建拼贴。这是在 Cloud Run 服务的代码中完成的，Workflows 会在 collageCall 步骤中调用此服务：

591e36149066e1ba

探索代码

Cloud Run 服务称为 collage。您可以在 index.js 中查看其完整代码。

构建和发布容器映像

Cloud Run 可以运行容器，但您首先需要构建容器映像（在 Dockerfile 中定义）。Google Cloud Build 可用于构建容器映像，然后托管到 Google Container Registry。

导航到该文件夹：

cd services/collage/nodejs

构建：

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

一两分钟后，构建应该会成功，容器将部署到 Google Container Registry。

部署到 Cloud Run

设置一些所需的变量和配置：

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}

部署服务后，您可以在 Cloud 控制台的“Cloud Run”部分下检查两项服务是否正在运行，并且工作流 collageCall 步骤将能够调用此服务：

3ae9873f4cbbf423

12. Workflows 部署

我们部署了 Workflows 的所有外部依赖项。其余所有步骤（finalizeCompleted、pictureGarbageCollectionGCS、pictureGarbageCollectionFirestore、deleteCompleted）都可以由 Workflows 自行完成。

现在可以部署 Workflows 了！

前往包含 workflows.yaml 文件的文件夹，并使用以下命令部署该文件：

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

工作流应该会在几秒钟后部署完毕，然后您可以在 Cloud 控制台的“Workflows”部分看到它：

94a720149e5df9c5

如果需要，您可以点击工作流并进行修改。在修改过程中，您会获得非常直观的工作流程：

55441b158f6027f3

您也可以在 Cloud 控制台中使用正确的参数手动执行工作流。相反，我们会在下一步中自动执行该操作，以响应 Cloud Storage 事件。

13. Workflows 触发器 (Cloud Functions)

工作流已部署并准备就绪。现在，当 Cloud Storage 存储分区中创建或删除文件时，我们需要触发 Workflows。分别为 storage.object.finalize 和 storage.object.delete 事件。

Workflows 提供了用于创建、管理和执行您可以使用的 Workflows 的 API 和客户端库。在这种情况下，您将使用 Workflows Execution API，具体来说就是使用其 Node.js 客户端库来触发工作流。

您将通过 Cloud Functions 函数触发 Workflows，以监听 Cloud Storage 事件。由于一个 Cloud Functions 函数只能监听一种事件类型，因此您需要部署两个 Cloud Functions 函数来同时监听 create 事件和 delete 事件：

c4d79646de729e4.png

探索代码

Cloud Functions 函数称为 trigger-workflow。您可以在 index.js 中查看其完整代码。

部署到 Cloud Functions

导航到该文件夹：

cd workflows/functions/trigger-workflow/nodejs

设置一些所需的变量和配置：

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}

部署用于响应 finalize 事件的函数：

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}

部署用于响应删除事件的第二个函数：

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}

部署完成后，您可以在 Cloud 控制台中看到这两项功能：

7d60c8b7851f39f5

14. 前端 (App Engine)

在此步骤中，您将通过 Pic-a-daily: Lab 4 - 创建网络前端 (Pic-a-daily: Lab 4-Create a web frontend) 在 Google App Engine 上创建一个网络前端，以便用户从网络应用上传图片，以及浏览上传的图片及其缩略图。

223fb2281614d053

如需详细了解 App Engine 并阅读代码说明，请参阅每日图片：实验 4 - 创建网络前端。

探索代码

App Engine 应用名为 frontend。您可以在 index.js 中查看其完整代码。

部署到 App Engine

导航到该文件夹：

cd frontend

设置您选择的区域，并将 app.yaml 中的 GOOGLE_CLOUD_PROJECT 替换为您的实际项目 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

一两分钟后，系统会告知您应用正在处理流量：

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

您还可以访问 Cloud 控制台的 App Engine 部分，查看应用是否已部署，并探索 App Engine 的功能，例如版本控制和流量分配：

f4bd5f4de028bd83.png

15. 测试工作流

如需进行测试，请转到应用的默认 App Engine 网址 (https://<YOUR_PROJECT_ID>.appspot.com/)，您应该会看到前端界面已启动并运行！

1649ac060441099

上传图片。这应该会触发 Workflows，并且您可以在 Cloud 控制台中看到处于 Active 状态的工作流执行情况：

b5a2a3d7a2bc094.png

完成工作流后，您可以点击执行 ID 并查看不同服务的输出：

8959df5098c21548

再上传 3 张照片。您还应该看到 Cloud Storage 存储分区和 App Engine 前端中图片的缩略图和拼贴已更新：

d90c786ff664a5dc.png

16. 清理（可选）

如果您不打算保留该应用，可以通过删除整个项目来清理资源，从而节省成本并成为一个整体优秀的云公民：

gcloud projects delete ${GOOGLE_CLOUD_PROJECT}

17. 恭喜！

您使用 Workflows 创建了应用的编排版本，以编排和调用服务。

所学内容

  • App Engine
  • Cloud Firestore
  • Cloud Functions
  • Cloud Run
  • Workflows