日常工作：研究室 6：運用 Workflows 自動化調度管理

1. 總覽

在先前的研究室中，您建構了事件導向的 Pic-a-daily 應用程式，這個應用程式使用 Google Cloud Storage 觸發了圖片分析服務的 Cloud 函式。GCS 透過 Pub/Sub 觸發了 Cloud Run 容器，用於縮圖服務和 Eventarc，進而在 Cloud Run 上觸發影像垃圾收集服務。您也可以使用 Cloud Scheduler 觸發的美術拼貼服務：

d93345bfc235f81e.png

在本研究室中，您將為應用程式建立自動化調度管理版本。您會使用 Workflows 自動化調度管理及呼叫服務，而不是透過系統傳送的不同事件類型：

b763efcbf5589747.png

課程內容

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

2. 設定和需求

自修環境設定

  1. 登入 Cloud 控制台建立新專案，或是重複使用現有專案。(如果您還沒有 Gmail 或 Google Workspace 帳戶，請先建立帳戶)。

96a9c957bc475304.png

b9a10ebdf5b5a448.png

a1e3c01a38fa61c2.png

提醒您，專案 ID 是所有 Google Cloud 專案的專屬名稱 (已經有人使用上述名稱，很抱歉對您不符！)。稍後在本程式碼研究室中會稱為 PROJECT_ID。

  1. 接下來，您需要在 Cloud 控制台中啟用計費功能，才能使用 Google Cloud 資源。

執行這個程式碼研究室並不會產生任何費用，如果有的話。請務必依照「清除所用資源」一節指示本節將說明如何關閉資源，這樣您就不會產生本教學課程結束後產生的費用。Google Cloud 的新使用者符合 $300 美元免費試用計畫的資格。

啟動 Cloud Shell

雖然 Google Cloud 可以從筆記型電腦遠端操作，但在本程式碼研究室中，您將使用 Google Cloud Shell，這是一種在 Cloud 中執行的指令列環境。

在 GCP 控制台的右上方，按一下「Cloud Shell」圖示：

bce75f34b2c53987.png

佈建並連線至環境的作業只需幾分鐘的時間。完成後，您應該會看到類似下方的內容：

f6ef2b5f13479f3a.png

這部虛擬機器都裝載了您需要的所有開發工具。提供永久的 5 GB 主目錄，而且在 Google Cloud 中運作，大幅提高網路效能和驗證能力。這個研究室中的所有工作都可以透過瀏覽器完成。

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連結在一起。您可以結合 Google Cloud API、Cloud Functions 和 Cloud Run 等無伺服器產品和呼叫外部 API 的強大功能，打造彈性的無伺服器應用程式。

如同自動化調度管理工具一樣，您可以透過 Workflows 以 YAML/JSON 型工作流程定義語言定義商業邏輯流動，並提供 Workflows Execution API 和 Workflows UI 來觸發這些流程。

這不僅僅是自動化調度管理服務，還具備以下內建和可設定功能：

  • 在步驟之間提供彈性的重試和錯誤處理機制，以利執行可靠的步驟。
  • JSON 剖析，並在步驟之間傳遞變數，以避免黏附程式碼。
  • 決策的運算式公式允許條件式步驟執行。
  • 模組化和可重複使用的 Workflows 子工作流程。
  • 支援外部服務之後，您就能自動化調度管理 Google Cloud 以外的服務。
  • 提供 Google Cloud 和外部服務的驗證支援，可用於安全步驟執行。
  • 連線至 Pub/Sub、Firestore、Tasks 和 Secret Manager 等 Google Cloud 服務，簡化整合作業。

更棒的是，Workflows 是全代管的無伺服器產品。不必設定或擴充伺服器，而且用多少付多少。

4. 啟用 API

在本研究室中，您會將 Cloud Functions 和 Cloud Run 服務連結至 Workflows。您將使用 App Engine、Cloud Build、Vision API 和其他服務。

在 Cloud Shell 中，確認您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 \

經過一段時間後，您應該就會看見作業成功完成：

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

5. 取得程式碼

取得程式碼 (如果您尚未參加先前的程式碼研究室)：

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

您就會具備與本研究室相關的資料夾結構：

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

以下為相關資料夾：

  • frontend 包含 App Engine 前端，我們將從研究室 4 重複使用。
  • functions 包含為工作流程建立的 Cloud Functions。
  • services 包含針對 Workflows 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 會透過一系列步驟定義工作流程。讓我們一起來進一步瞭解。

在工作流程開始時，系統會傳入一些參數。這些工作會由觸發 Workflows 的兩個 Cloud Functions 傳入。我們稍後會談到這些函式，但 Workflows 的啟動方式如下：

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 會呼叫的部分 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，Workflows 會檢查事件類型。支援的事件類型有 2 種：object.finalize (檔案儲存於 Cloud Storage 值區中時發出) 和 object.delete (檔案刪除時發出)。任何其他情況都會引發不支援的例外狀況。

dd1f450983655619.png

以下是 YAML 工作流程定義的步驟，我們會檢查檔案儲存事件的類型：

    - 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，Workflows 支援切換陳述式和例外狀況處理、切換指令及其各種條件，以及引發指令，要求在無法辨識事件時引發錯誤。

接著來看看 imageAnalysisCall。這是 Workflows 發出來的一系列呼叫，作用是呼叫 Vision API 來分析圖片、轉換 Vision API 回應資料以排序相片中辨識的事物標籤、挑選主要顏色、檢查圖片是否安全顯示，並將中繼資料儲存至 Cloud Firestore。

請注意，除 Vision Transform Cloud 函式外，其餘作業會在 Workflows 中完成 (稍後部署)：

ca2ad16b9cbb436.png

以下是各步驟在 YAML 中的模樣：

    - 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

圖片分析完畢後，接下來兩個步驟就能建立圖片縮圖以及最新圖片的美術拼貼。方法是部署 2 項 Cloud Run 服務，並透過 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

此執行作業分支的結束方法是在 finalizeCompleted 步驟中傳回每個服務的狀態碼：

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

執行作業的另一個分支版本，是刪除主要儲存空間值區中的檔案，其中包含高解析度的圖片。在此分支版本中，我們要從含有縮圖的值區中刪除圖片縮圖，並從 Firestore 刪除該圖片的中繼資料。上述操作都是透過 Workflows 的 HTTP 呼叫執行：

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

刪除分支的結尾是傳回每個步驟的結果 / 代碼：

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

在下列步驟中，我們會建立 Workflows 的所有外部依附元件：值區、Cloud Functions、Cloud Run 服務和 Firestore 資料庫。

7. 建立值區

圖片需要 2 個區塊：1 可用於儲存原始高解析度圖片，另外 1 個則儲存圖片縮圖。

使用 gsutil 工具，建立公開區域 (本例為歐洲) 值區，並授予使用者統一存取權，讓使用者上傳圖片：

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}

為縮圖建立另一個公開區域值區：

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}

您可以造訪 Cloud 控制台的 Cloud Storage 部分，再次檢查值區是否已建立完成：

15063936edd72f06.png

8. Vision 資料轉換 (Cloud 函式)

Workflows.yaml 的開頭為 init、eventTypeSwitch，eventTypeNotSupported 步驟。確保來自值區的事件會轉送至正確的步驟。

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

daaed43a22d2b0d3.png

接下來，我們必須轉換 Vision API 傳回的資料，然後才能儲存至 Firestore。具體而言，我們需要：

  • 列出針對圖片傳回的標籤。
  • 擷取圖片的主要顏色。
  • 判斷相片是否安全。

只要在 Cloud 函式和 Workflows 中的程式碼中完成這項作業，只需呼叫這個函式即可：

5e120e70c67779cd.png

探索程式碼

Cloud 函式稱為 vision-data-transform。您可以在 index.js 中查看完整程式碼。如您所見，這個函式唯一的用途是執行 JSON 到 JSON 轉換，以便輕鬆將相片中繼資料儲存在 Firestore 中。

部署至 Cloud Functions

前往該資料夾：

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

設定您選擇的地區：

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來執行 Vision API 資料轉換。

9. 準備資料庫

Workflows 的下一個項目是檢查圖片資料中的圖片是否安全，然後將 Vision API 傳回的相片相關資訊儲存到 Cloud Firestore 資料庫。Cloud Firestore 是速度飛快的全代管無伺服器 NoSQL 文件資料庫：

6624c616bc7cd97f.png

以上都是在 Workflows 中完成，但您必須建立 Firestore 資料庫，中繼資料儲存功能才能正常運作。

首先，請在要 Firestore 資料庫的區域建立 App Engine 應用程式 (Firestore 的需求)：

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

接著，請在同一區域中建立 Firestore 資料庫：

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

文件會在我們的集合中以程式化的方式建立，其中包含 4 個欄位：

  • name (字串)：上傳圖片的檔案名稱，也是文件金鑰
  • labels (字串陣列)：Vision API 可識別項目的標籤
  • color (字串)：主色 (即#ab12ef)
  • 建立 (日期)：此圖片中繼資料儲存時間的時間戳記
  • thumbnail (布林值)：此為選用欄位，如果已針對此圖片產生縮圖圖片，這個欄位就會顯示為 true

我們會在 Firestore 中搜尋有可用縮圖的圖片，並根據建立日期排序，因此必須建立搜尋索引。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，索引建立最多可能需要 10 分鐘才能完成。

索引建立完成後，即可在 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)

鏈結中的下一步是建立圖片縮圖。這是在 Cloud Run 服務中的程式碼完成，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。

建構並發布容器映像檔

Cloud Run 會執行容器，但您需要先建構容器映像檔 (以 Dockerfile 定義)。您可以使用 Google Cloud Build 建構容器映像檔，然後託管至 Google Container Registry。

前往該資料夾：

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}

經過一到兩分鐘後，建構作業應會成功，容器則會部署至 Google Container Registry。

部署至 Cloud Run

進行一些必要的變數和配置：

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}

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

11. 美術拼貼服務 (Cloud Run)

鏈結的下一步是將最近的圖片製作美術拼貼。這是在 Cloud Run 服務中的程式碼完成，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。

建構並發布容器映像檔

Cloud Run 會執行容器，但您需要先建構容器映像檔 (以 Dockerfile 定義)。您可以使用 Google Cloud Build 建構容器映像檔，然後託管至 Google Container Registry。

前往該資料夾：

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}

經過一到兩分鐘後，建構作業應會成功，容器則會部署至 Google Container Registry。

部署至 Cloud Run

進行一些必要的變數和配置：

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}

部署服務後，您就能在 Cloud 控制台的「Cloud Run」部分下方檢查兩項服務是否正在運作，工作流程「collageCall」步驟都能呼叫這項服務：

3ae9873f4cbbf423.png

12. Workflows 部署

我們部署了 Workflows 的所有外部依附元件。其餘步驟 (finalizeCompleted、pictureGarbageCollectionGCS、pictureGarbageCollectionFirestore、deleteCompleted) 都可以由 Workflows 自行完成。

現在即可部署 Workflows！

前往含有 workflows.yaml 檔案的資料夾，然後使用下列指令部署檔案：

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

工作流程會在幾秒鐘內部署完畢，接著您就可以在 Cloud 控制台的「Workflows」專區查看：

94a720149e5df9c5.png

如有需要，可以按一下「工作流程」並進行編輯。在編輯過程中，系統會以視覺化的方式呈現工作流程：

55441b158f6027f3.png

您也可以使用正確的參數，從 Cloud 控制台手動執行工作流程。相反地，我們會改為自動執行這項政策，以回應下一個步驟中的 Cloud Storage 事件。

13. Workflows 觸發條件 (Cloud Functions)

工作流程已部署且準備就緒。現在，當檔案在 Cloud Storage 值區中建立或刪除時，我們必須觸發 Workflows。分別是 storage.object.finalize 和 storage.object.delete 事件。

Workflows 提供 API 和用戶端程式庫，用來建立、管理和執行可用的 Workflows。在這個案例中，您將使用 Workflows Execution API，更具體地使用 Node.js 用戶端程式庫觸發工作流程。

您會透過 Cloud 函式監聽 Cloud Storage 事件，觸發 Workflows。由於 Cloud 函式只能監聽一種事件類型，因此您會部署兩個 Cloud Functions 來監聽建立和刪除事件：

c4d79646de729e4.png

探索程式碼

Cloud 函式稱為 trigger-workflow。您可以在 index.js 中查看完整程式碼。

部署至 Cloud Functions

前往該資料夾：

cd workflows/functions/trigger-workflow/nodejs

進行一些必要的變數和配置：

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}

部署回應完成事件的函式：

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}

部署用於刪除事件的第二個函式：

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 控制台中看到下列兩項函式：

7d60c8b7851f39f5.png

14. 前端 (App Engine)

在這個步驟中，您會在 Google App Engine 的「Pic-a-daily: Lab 4—建立網路前端」建立網路前端，讓使用者從網頁應用程式上傳相片，並瀏覽上傳的相片和縮圖。

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: Lab 4—Create a web frontend」。

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

前往該資料夾：

cd frontend

請設定所選區域，並將 app.yaml 中的 GOOGLE_CLOUD_PROJECT 替換為實際的專案 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

一到兩分鐘後，您將收到通知，說明應用程式正在處理流量：

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

您也可以前往 Cloud 控制台的「App Engine」部分查看應用程式是否已部署完成，並探索 App Engine 的功能，例如版本管理和流量分配：

f4bd5f4de028bd83.png

15. 測試工作流程

如要進行測試，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 已啟動並開始運作！

1649ac060441099.png

上傳圖片。這麼做會觸發 Workflows，且您可以在 Cloud 控制台中以 Active 狀態查看工作流程執行作業：

b5a2a3d7a2bc094.png

Workflows 完成後，您可以按一下執行 ID，查看來自不同服務的輸出內容：

8959df5098c21548.png

再上傳 3 張相片。您也應該會看到 Cloud Storage 值區和 App Engine 前端中的圖片縮圖與美術拼貼：

d90c786ff664a5dc.png

16. 清除 (選用)

如果不想保留應用程式，可以刪除整個專案來清理資源，以節省成本並成為良好的雲端公民：

gcloud projects delete ${GOOGLE_CLOUD_PROJECT}

17. 恭喜！

您已透過 Workflows 建立應用程式的自動化調度管理版本，藉此自動化調度管理及呼叫服務。

涵蓋內容

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