简介：数据处理、机器学习训练、数据统计分析是最为常见的一类离线工作。这类工作往往都是通过了一系列的预处理后，由上游对立发送到工作平台进行批量训练及剖析。异步工作解决零碎中的数据分析数据处理、机器学习训练、数据统计分析是最为常见的一类离线工作。这类工作往往都是通过了一系列的预处理后，由上游对立发送到工作平台进行批量训练及剖析。在解决语言方面，Python 因为其所提供的丰盛的数据处理库，成为了数据畛域最为罕用的语言之一。函数计算原生反对 Python runtime，并反对快捷的引入第三方库，使得应用函数计算异步工作进行解决变得极为不便。数据分析场景常见诉求数据分析场景往往具备执行工夫长、并发量大的特点。在离线场景中，往往会定时触发一批大量的数据进行集中处理。因为这种触发个性，业务方往往会对资源利用率（老本）具备较高的要求，冀望可能满足效率的同时，尽量降低成本。具体归纳如下：程序开发便捷，对于第三方包及自定义依赖敌对；反对长时运行。可能查看执行过程中的工作状态，或登录机器进行操作。如果呈现数据谬误反对手动进行工作；资源利用率高，老本最优。以上诉求非常适合应用函数计算异步工作。典型案例 – 数据库自治服务业务根本状况阿里云团体外部的数据库巡检平台次要用于对 sql 语句的慢查问、日志等进行优化剖析。整个平台工作分为离线训练及在线剖析两类次要工作，其中在线剖析业务的的计算规模达到了上万核，离线业务的每日执行时长也在数万核小时。因为在线剖析、离线训练工夫上的不确定性，很难进步集群整体资源利用率，并且在业务顶峰来时须要极大的弹性算力反对。应用函数计算后，整个业务的架构图如下：
业务痛点及架构演进数据库巡检平台负责阿里巴巴全网各 Region 的数据库 SQL 优化及剖析工作。Mysql 数据来源于各 Region 的各个集群，并对立在 Region 维度进行一次预聚合及存储。在进行剖析时，因为须要跨 region 的聚合及统计，巡检平台首先尝试在内网搭建大型 Flink 集群进行统计分析工作。然而在理论应用中，遇到了如下问题：数据处理算法迭代繁琐。次要体现在算法的部署、测试及公布上。Flink 的 Runtime 能力极大限度了公布周期；对于常见的及一些自定义的第三方库，Flink 反对不是很好。算法所依赖的一些机器学习、统计的库在 Flink 官网 Python runtime 中要么没有，要么版本老旧，应用不便，无奈满足要求；走 Flink 转发链路较长，Flink 排查问题艰难；峰值时弹性速度及资源均较难满足要求。并且整体老本十分高。在理解了函数计算后，针对 Flink 计算局部进行了算法工作的迁徙工作，将外围训练及统计算法迁徙至函数计算。通过应用函数计算异步工作所提供的相干能力，整个开发、运维及老本失去了极大的晋升。迁徙函数计算架构后的成果迁徙函数计算后，零碎可能残缺承接峰值流量，疾速实现每日剖析及训练任务；函数计算丰盛的 Runtime 能力反对了业务的疾速迭代；计算上雷同的核数老本变为了原来 Flink 的 1/3。函数计算异步工作十分实用于这类数据处理工作。函数计算在升高运算资源的老本同时，可能将您从繁冗的平台运维工作中解放出来，专一于算法开发及优化。函数计算异步工作最佳实际 -Kafka ETLETL 是数据处理中较为常见的工作。原始数据或存在于 Kafka 中，或存在于 DB 中，因为业务须要对数据进行解决后转储到其余存储介质（或存回原来的工作队列）。这类业务也属于显著的工作场景。如果您采纳了云上的中间件服务（如云上的 Kafka），您就能够利用函数计算弱小的触发器集成生态便捷的集成 Kafka，而无需关注诸如 Kafka Connector 的部署、错误处理等与业务无关的操作。ETL 工作场景的需要一个 ETL 工作往往蕴含 Source、Sink 及处理单元三个局部，因而 ETL 工作除了对算力的要求外，还须要工作零碎具备极强的上下游连贯生态。除此之外，因为数据处理的准确性要求，须要工作解决零碎可能提供工作去重、Exactly Once 的操作语义。并且，对于解决失败的音讯，须要可能进行弥补（如重试、死信队列）的能力。总结如下：工作的精确执行：工作反复触发反对去重；工作反对弥补，死信队列；工作的上下游：可能不便的拉取数据，并在解决后将数据传递至其余零碎；算子能力的要求：反对用户自定义算子的能力，可能灵便的执行各种数据处理工作。Serverless Task 对 ETL 工作的反对函数计算反对的 Destinationg 性能能够很好的反对 ETL 工作对于便捷连贯上下游、工作精确执行的相干诉求。函数计算丰盛的 Runtime 反对也使得对于数据处理的工作变得极为灵便。在 Kafka ETL 工作解决场景中，咱们次要用到的 Serverless Task 能力如下：异步指标配置性能：通过配置工作胜利指标，反对主动将工作投递至上游零碎（如队列中）；通过配置工作失败指标，反对死信队列能力，将失败的工作投递至音讯队列，期待后续的弥补解决；灵便的算子及第三方库反对：Python 因为其丰盛的统计、运算的第三方库的反对，在数据处理畛域 Python 是用的最为宽泛的语言之一。函数计算的 Python Runtime 反对对第三方库打包，使您可能疾速的进行原型验证及测试上线。Kafka ETL 工作解决示例咱们以简略的 ETL 工作解决为例，数据源来自 Kafka，通过函数计算解决后，将工作执行后果及上下游信息推送至音讯服务 MNS。函数计算局部我的项目源码见：https://github.com/awesome-fc… 资源筹备 Kafka 资源筹备进入 Kafka 控制台，点击购买实例，之后部署。期待实例部署实现；
进入创立好的实例中，创立一个测试用 Topic。指标资源筹备（MNS）进入 MNS 控制台，别离创立两个队列：dead-letter-queue：作为死信队列应用。当音讯解决失败后，执行的上下文信息将投递到这里；fc-etl-processed-message：作为工作胜利执行后的推送指标。创立实现后，如下图所示：
部署下载安装 Serverless Devs：npm install @serverless-devs/ s 具体文档能够参考 Serverless Devs 装置文档配置密钥信息：s config add 具体文档能够参考 阿里云密钥配置文档进入我的项目，批改 s.yaml 文件中的指标 ARN 为上述创立后的 MNS 队列 ARN，并批改服务角色为已存在的角色；部署：s deploy -t s.yaml 配置 ETL 工作进入 kafka 控制台 – connector 工作列表标签页，点击创立 Connector；
在配置完根本信息、源的 Topic 后，配置指标服务。在这外面咱们选择函数计算作为指标
您能够依据业务需要配置发送批大小及重试次数。至此，咱们已实现工作的根本配置。留神：这外面的发送模式请抉择“异步”模式。进入到函数计算异步配置页面，咱们能够看到目前的配置如下：
测试 ETL 工作进入 kafka 控制台 – connector 工作列表标签页，点击测试；填完音讯内容后，点击发送
发送多条音讯后，进入到函数控制台。咱们能够看到有多条音讯在执行中。此时咱们抉择应用进行工作的形式来模仿一次工作执行失败：
进入到音讯服务 MNS 控制台中，咱们能够看到两个先前创立的队列中均有一条可用音讯，别离代表一次执行和失败的工作内容：
进入到队列详情中，咱们能够看到两条音讯内容。以胜利的音讯内容为例：{
"timestamp":1646826806389,
"requestContext":{
"requestId":"919889e7-60ff-408f-a0c7-627bbff88456",
"functionArn":"acs:fc:::services/fc-etl-job.LATEST/functions/fc-job-function",
"condition":"","approximateInvokeCount":1
},
"requestPayload":"[{\"key\":\"k1\",\"offset\":1,\"overflowFlag\":false,\"partition\":5,\"timestamp\":1646826803356,\"topic\":\"connector-demo\",\"value\":\"k1\",\"valueSize\":4}]",
"responseContext":{
"statusCode":200,
"functionError":""},"responsePayload":"[\n {\n \"key\": \"k1\",\n \"offset\": 1,\n \"overflowFlag\": false,\n \"partition\": 5,\n \"timestamp\": 1646826803356,\n \"topic\": \"connector-demo\",\n \"value\": \"k1\",\n \"valueSize\": 4\n}\n]"} 在这外面，咱们能够看到 “responsePayload” 这一个 Key 中有函数返回的原始内容。个别状况下咱们会将数据处理的后果作为 response 返回，所以在后续的解决中，能够通过读取 “responsePayload” 来获取解决后的后果。“requestPayload” 这一个 Key 中是 Kafka 触发函数计算的原始内容，通过读取这条数据中的内容，便能够获取原始数据。函数计算异步工作最佳实际 - 音视频解决 随着计算机技术和网络的倒退，视频点播技术因其良好的人机交互性和流媒体传输技术倍受教育、娱乐等行业的青眼。以后云计算平台厂商的产品线一直成熟欠缺，如果想要搭建视频点播类利用，间接上云会扫清硬件洽购、技术等各种阻碍。以阿里云为例，典型的解决方案如下:
在该解决方案中，对象存储 OSS 能够反对海量视频存储，采集上传的视频被转码以适配各种终端、CDN 减速终端设备播放视频的速度。此外还有一些内容平安审查需要，例如鉴黄、鉴恐等。音视频是典型的长时解决场景，非常适合应用函数计算工作。音视频解决的需要在视频点播解决方案中，视频转码是最耗费计算力的一个子系统，尽管您能够应用云上专门的转码服务，但在某些场景下，您仍会抉择本人搭建转码服务，例如：须要更弹性的视频解决服务。例如，曾经在虚拟机或容器平台上基于 FFmpeg 部署了一套视频解决服务，但想在此基础上晋升资源利用率，实现具备显著波峰波谷、流量突增状况下的快弹及稳定性；须要批量疾速解决多个超大的视频。例如，每周五定时产生几百个 4 GB 以上 1080P 的大视频，每个工作可能执行时长达数小时；对视频解决工作心愿实时把握进度；并在一些呈现谬误的状况下须要登录实例排查问题甚至进行执行中的工作防止资源耗费。Serverless Task 对音视频场景的反对上述诉求是典型的工作场景。而因为这类工作往往具备波峰波谷的个性，如何进行计算资源的运维，并尽可能的升高其老本，这部分的工作量甚至比理论视频解决业务的工作量还要大。Serverless Task 这一产品状态就是为了解决这类场景而诞生的，通过 Serverless Task，您能够疾速构建高弹性、高可用、低成本免运维的视频解决平台。在这个场景中，咱们会用到的 Serverless Task 的次要能力如下：免运维 & 低成本：计算资源随用随弹，不应用不付费；长时执行工作负载敌对：单个实例最长反对 24h 的执行时长；工作去重：反对触发端的谬误弥补。对于繁多工作，Serverless Task 可能做到主动去重的能力，执行更牢靠；工作可观测：所有执行中、执行胜利、执行失败的工作可追溯，可查问；反对工作的执行历史数据查问、工作日志查问；工作可操作：您能够进行、重试工作；麻利开发 & 测试：官网反对 S 工具进行自动化一键部署；反对登录运行中函数实例的能力，您能够间接登录实例调试 ffmpeg 等第三方程序，所见即所得。Serverless – FFmpeg 视频转码我的项目源码：https://github.com/devsapp/st… 部署下载安装 Serverless Devs：npm install @serverless-devs/ s 具体文档能够参考 Serverless Devs 装置文档配置密钥信息：s config add 具体文档能够参考 阿里云密钥配置文档初始化我的项目：s init video-transcode -d video-transcode 进入我的项目并部署：cd video-transcode && s deploy 调用函数发动 5 次异步工作函数调用 $ s VideoTranscoder invoke -e ‘{“bucket”:”my-bucket”, “object”:”480P.mp4″, “output_dir”:”a”, “dst_format”:”mov”}’ –invocation-type async –stateful-async-invocation-id my1-480P-mp4
VideoTranscoder/transcode async invoke success.
request id: bf7d7745-886b-42fc-af21-ba87d98e1b1c
$ s VideoTranscoder invoke -e ‘{“bucket”:”my-bucket”, “object”:”480P.mp4″, “output_dir”:”a”, “dst_format”:”mov”}’ –invocation-type async –stateful-async-invocation-id my2-480P-mp4
VideoTranscoder/transcode async invoke success.
request id: edb06071-ca26-4580-b0af-3959344cf5c3
$ s VideoTranscoder invoke -e ‘{“bucket”:”my-bucket”, “object”:”480P.mp4″, “output_dir”:”a”, “dst_format”:”flv”}’ –invocation-type async –stateful-async-invocation-id my3-480P-mp4
VideoTranscoder/transcode async invoke success.
request id: 41101e41-3c0a-497a-b63c-35d510aef6fb
$ s VideoTranscoder invoke -e ‘{“bucket”:”my-bucket”, “object”:”480P.mp4″, “output_dir”:”a”, “dst_format”:”avi”}’ –invocation-type async –stateful-async-invocation-id my4-480P-mp4
VideoTranscoder/transcode async invoke success.
request id: ff48cc04-c61b-4cd3-ae1b-1aaaa1f6c2b2
$ s VideoTranscoder invoke -e ‘{“bucket”:”my-bucket”, “object”:”480P.mp4″, “output_dir”:”a”, “dst_format”:”m3u8″}’ –invocation-type async –stateful-async-invocation-id my5-480P-mp4
VideoTranscoder/transcode async invoke success.
request id: d4b02745-420c-4c9e-bc05-75cbdd2d010f 2、登录 FC 控制台
能够清晰看出每一次转码工作的执行状况: A 视频是什么时候开始转码的, 什么时候转码完结 B 视频转码工作不太合乎预期，我中途能够点击进行调用通过调用状态过滤和工夫窗口过滤，我能够晓得当初有多少个工作正在执行，历史实现状况是怎么样的能够追溯每次转码工作执行日志和触发 payload 当您的转码函数有异样时候，会触发 dest-fail 函数的执行，您在这个函数能够增加您自定义的逻辑，比方报警 转码结束后，您也能够登录 OSS 控制台到指定的输入目录查看转码后的视频。在本地应用该我的项目时，不仅能够部署，还能够进行更多的操作，例如查看日志，查看指标，进行多种模式的调试等，这些操作详情能够参考函数计算组件命令文档原文链接：http://click.aliyun.com/m/100… 本文为阿里云原创内容，未经容许不得转载。