Partilhar via

Guia para programadores Python das Funções do Azure

  • Artigo

Este guia é uma introdução ao desenvolvimento do Azure Functions usando Python. O artigo pressupõe que você já tenha lido o guia de desenvolvedores do Azure Functions.

Importante

Este artigo dá suporte ao modelo de programação v1 e v2 para Python no Azure Functions. O modelo Python v1 usa um arquivo functions.json para definir funções, e o novo modelo v2 permite que você use uma abordagem baseada em decorador. Essa nova abordagem resulta em uma estrutura de arquivos mais simples e mais centrada em código. Escolha o seletor v2 na parte superior do artigo para saber mais sobre este novo modelo de programação.

Como desenvolvedor Python, você também pode estar interessado nestes tópicos:

  • Visual Studio Code: Crie seu primeiro aplicativo Python usando o Visual Studio Code.
  • Terminal ou prompt de comando: crie seu primeiro aplicativo Python a partir do prompt de comando usando as Ferramentas Principais do Azure Functions.
  • Exemplos: analise alguns aplicativos Python existentes no navegador de exemplos do Learn.
  • Visual Studio Code: Crie seu primeiro aplicativo Python usando o Visual Studio Code.
  • Terminal ou prompt de comando: crie seu primeiro aplicativo Python a partir do prompt de comando usando as Ferramentas Principais do Azure Functions.
  • Exemplos: analise alguns aplicativos Python existentes no navegador de exemplos do Learn.

Opções de desenvolvimento

Ambos os modelos de programação Python Functions suportam o desenvolvimento local em um dos seguintes ambientes:

Modelo de programação Python v2:

Modelo de programação Python v1:

Você também pode criar funções Python v1 no portal do Azure.

Gorjeta

Embora você possa desenvolver suas funções do Azure baseadas em Python localmente no Windows, o Python é suportado apenas em um plano de hospedagem baseado em Linux quando está sendo executado no Azure. Para obter mais informações, consulte a lista de combinações de sistema operacional/tempo de execução suportadas.

Modelo de programação

O Azure Functions espera que uma função seja um método sem estado em seu script Python que processa a entrada e produz a saída. Por padrão, o tempo de execução espera que o método seja implementado como um método global chamado main() no arquivo __init__.py . Você também pode especificar um ponto de entrada alternativo.

Você vincula dados à função a partir de gatilhos e associações por meio de atributos de método que usam a name propriedade definida no arquivo function.json . Por exemplo, o seguinte arquivo function.json descreve uma função simples que é acionada por uma solicitação HTTP chamada req:

{
    "scriptFile": "__init__.py",
    "bindings": [
        {
            "authLevel": "function",
            "type": "httpTrigger",
            "direction": "in",
            "name": "req",
            "methods": [
                "get",
                "post"
            ]
        },
        {
            "type": "http",
            "direction": "out",
            "name": "$return"
        }
    ]
}

Com base nessa definição, o arquivo de __init__.py que contém o código da função pode se parecer com o exemplo a seguir:

def main(req):
    user = req.params.get('user')
    return f'Hello, {user}!'

Você também pode declarar explicitamente os tipos de atributo e o tipo de retorno na função usando anotações de tipo Python. Isso ajuda você a usar o IntelliSense e os recursos de preenchimento automático fornecidos por muitos editores de código Python.

import azure.functions

def main(req: azure.functions.HttpRequest) -> str:
    user = req.params.get('user')
    return f'Hello, {user}!'

Use as anotações Python incluídas no pacote azure.functions.* para vincular as entradas e saídas aos seus métodos.

O Azure Functions espera que uma função seja um método sem estado em seu script Python que processa a entrada e produz a saída. Por padrão, o tempo de execução espera que o método seja implementado como um método global no arquivo function_app.py .

Gatilhos e ligações podem ser declarados e usados em uma função em uma abordagem baseada no decorador. Eles são definidos no mesmo arquivo, function_app.py, como as funções. Como exemplo, o seguinte arquivo function_app.py representa um disparador de função por uma solicitação HTTP.

@app.function_name(name="HttpTrigger1")
@app.route(route="req")
def main(req):
    user = req.params.get("user")
    return f"Hello, {user}!"

Você também pode declarar explicitamente os tipos de atributo e o tipo de retorno na função usando anotações de tipo Python. Isso ajuda você a usar os recursos do IntelliSense e de preenchimento automático fornecidos por muitos editores de código Python.

import azure.functions as func

app = func.FunctionApp()

@app.function_name(name="HttpTrigger1")
@app.route(route="req")
def main(req: func.HttpRequest) -> str:
    user = req.params.get("user")
    return f"Hello, {user}!"

Para saber mais sobre limitações conhecidas com o modelo v2 e suas soluções alternativas, consulte Solucionar erros de Python no Azure Functions.

Ponto de entrada alternativo

Você pode alterar o comportamento padrão de uma função especificando opcionalmente as scriptFile propriedades e entryPoint no arquivo function.json . Por exemplo, a function.json a seguir informa ao tempo de execução para usar o customentry() método no arquivo main.py como o ponto de entrada para sua função do Azure.

{
  "scriptFile": "main.py",
  "entryPoint": "customentry",
  "bindings": [
      ...
  ]
}

O ponto de entrada está apenas no arquivo function_app.py . No entanto, você pode fazer referência a funções dentro do projeto em function_app.py usando esquemas ou importando.

Estrutura de pastas

A estrutura de pastas recomendada para um projeto de funções Python se parece com o exemplo a seguir:

 <project_root>/
 | - .venv/
 | - .vscode/
 | - my_first_function/
 | | - __init__.py
 | | - function.json
 | | - example.py
 | - my_second_function/
 | | - __init__.py
 | | - function.json
 | - shared_code/
 | | - __init__.py
 | | - my_first_helper_function.py
 | | - my_second_helper_function.py
 | - tests/
 | | - test_my_second_function.py
 | - .funcignore
 | - host.json
 | - local.settings.json
 | - requirements.txt
 | - Dockerfile

A pasta principal do projeto, <project_root>, pode conter os seguintes arquivos:

  • local.settings.json: Usado para armazenar configurações de aplicativos e cadeias de conexão quando executado localmente. Este ficheiro não é publicado no Azure. Para saber mais, consulte local.settings.file.
  • requirements.txt: Contém a lista de pacotes Python que o sistema instala ao publicar no Azure.
  • host.json: Contém opções de configuração que afetam todas as funções em uma instância de aplicativo de função. Esse arquivo é publicado no Azure. Nem todas as opções são suportadas quando executadas localmente. Para saber mais, consulte host.json.
  • .vscode/: (Opcional) Contém a configuração armazenada do Visual Studio Code. Para saber mais, consulte Configurações de código do Visual Studio.
  • .venv/: (Opcional) Contém um ambiente virtual Python usado pelo desenvolvimento local.
  • Dockerfile: (Opcional) Usado ao publicar seu projeto em um contêiner personalizado.
  • tests/: (Opcional) Contém os casos de teste do seu aplicativo de função.
  • .funcignore: (Opcional) Declara arquivos que não devem ser publicados no Azure. Normalmente, esse arquivo contém .vscode/ para ignorar a configuração do editor, .venv/ para ignorar o ambiente virtual Python local, testes/ para ignorar casos de teste e local.settings.json para impedir que as configurações do aplicativo local sejam publicadas.

Cada função tem seu próprio arquivo de código e arquivo de configuração de ligação, function.json.

A estrutura de pastas recomendada para um projeto de funções Python se parece com o exemplo a seguir:

 <project_root>/
 | - .venv/
 | - .vscode/
 | - function_app.py
 | - additional_functions.py
 | - tests/
 | | - test_my_function.py
 | - .funcignore
 | - host.json
 | - local.settings.json
 | - requirements.txt
 | - Dockerfile

A pasta principal do projeto, <project_root>, pode conter os seguintes arquivos:

  • .venv/: (Opcional) Contém um ambiente virtual Python usado pelo desenvolvimento local.
  • .vscode/: (Opcional) Contém a configuração armazenada do Visual Studio Code. Para saber mais, consulte Configurações de código do Visual Studio.
  • function_app.py: O local padrão para todas as funções e seus gatilhos e ligações relacionados.
  • additional_functions.py: (Opcional) Quaisquer outros arquivos Python que contenham funções (geralmente para agrupamento lógico) que são referenciados em function_app.py através de blueprints.
  • tests/: (Opcional) Contém os casos de teste do seu aplicativo de função.
  • .funcignore: (Opcional) Declara arquivos que não devem ser publicados no Azure. Normalmente, esse arquivo contém .vscode/ para ignorar a configuração do editor, .venv/ para ignorar o ambiente virtual Python local, testes/ para ignorar casos de teste e local.settings.json para impedir que as configurações do aplicativo local sejam publicadas.
  • host.json: Contém opções de configuração que afetam todas as funções em uma instância de aplicativo de função. Esse arquivo é publicado no Azure. Nem todas as opções são suportadas quando executadas localmente. Para saber mais, consulte host.json.
  • local.settings.json: Usado para armazenar configurações de aplicativos e cadeias de conexão quando ele está sendo executado localmente. Este ficheiro não é publicado no Azure. Para saber mais, consulte local.settings.file.
  • requirements.txt: Contém a lista de pacotes Python que o sistema instala quando publica no Azure.
  • Dockerfile: (Opcional) Usado ao publicar seu projeto em um contêiner personalizado.

Quando você implanta seu projeto em um aplicativo de função no Azure, todo o conteúdo da pasta principal do projeto, <project_root>, deve ser incluído no pacote, mas não a pasta em si, o que significa que host.json deve estar na raiz do pacote. Recomendamos que você mantenha seus testes em uma pasta junto com outras funções (neste exemplo, tests/). Para obter mais informações, consulte Teste de unidade.

Ligar a uma base de dados

O Azure Functions integra-se bem com o Azure Cosmos DB para muitos casos de uso, incluindo IoT, comércio eletrônico, jogos, etc.

Por exemplo, para o fornecimento de eventos, os dois serviços são integrados para alimentar arquiteturas orientadas a eventos usando a funcionalidade de feed de alterações do Azure Cosmos DB. O feed de alterações fornece aos microsserviços downstream a capacidade de ler inserções e atualizações de forma confiável e incremental (por exemplo, eventos de pedido). Essa funcionalidade pode ser usada para fornecer um armazenamento de eventos persistente como um agente de mensagens para eventos que alteram o estado e direcionam o fluxo de trabalho de processamento de pedidos entre muitos microsserviços (que podem ser implementados como Azure Functions sem servidor).

Arquitetura de referência de pipeline de pedidos do Azure Cosmos DB

Para se conectar ao Azure Cosmos DB, primeiro crie uma conta, um banco de dados e um contêiner. Em seguida, você pode conectar seu código de função ao Azure Cosmos DB usando gatilho e associações, como este exemplo.

Para implementar uma lógica de aplicativo mais complexa, você também pode usar a biblioteca Python para o Cosmos DB. Uma implementação de E/S assíncrona tem esta aparência:

pip install azure-cosmos
pip install aiohttp

from azure.cosmos.aio import CosmosClient
from azure.cosmos import exceptions
from azure.cosmos.partition_key import PartitionKey
import asyncio

# Replace these values with your Cosmos DB connection information
endpoint = "https://azure-cosmos-nosql.documents.azure.com:443/"
key = "master_key"
database_id = "cosmicwerx"
container_id = "cosmicontainer"
partition_key = "/partition_key"

# Set the total throughput (RU/s) for the database and container
database_throughput = 1000

# Singleton CosmosClient instance
client = CosmosClient(endpoint, credential=key)

# Helper function to get or create database and container
async def get_or_create_container(client, database_id, container_id, partition_key):
    database = await client.create_database_if_not_exists(id=database_id)
    print(f'Database "{database_id}" created or retrieved successfully.')

    container = await database.create_container_if_not_exists(id=container_id, partition_key=PartitionKey(path=partition_key))
    print(f'Container with id "{container_id}" created')
 
    return container
 
async def create_products():
    container = await get_or_create_container(client, database_id, container_id, partition_key)
    for i in range(10):
        await container.upsert_item({
            'id': f'item{i}',
            'productName': 'Widget',
            'productModel': f'Model {i}'
        })
 
async def get_products():
    items = []
    container = await get_or_create_container(client, database_id, container_id, partition_key)
    async for item in container.read_all_items():
        items.append(item)
    return items

async def query_products(product_name):
    container = await get_or_create_container(client, database_id, container_id, partition_key)
    query = f"SELECT * FROM c WHERE c.productName = '{product_name}'"
    items = []
    async for item in container.query_items(query=query, enable_cross_partition_query=True):
        items.append(item)
    return items

async def main():
    await create_products()
    all_products = await get_products()
    print('All Products:', all_products)

    queried_products = await query_products('Widget')
    print('Queried Products:', queried_products)

if __name__ == "__main__":
    asyncio.run(main())

Blueprints

O modelo de programação Python v2 introduz o conceito de blueprints. Um blueprint é uma nova classe que é instanciada para registrar funções fora do aplicativo de função principal. As funções registradas em instâncias do blueprint não são indexadas diretamente pelo tempo de execução da função. Para indexar essas funções do blueprint, o aplicativo de função precisa registrar as funções das instâncias do blueprint.

O uso de plantas oferece os seguintes benefícios:

  • Permite dividir o aplicativo de função em componentes modulares, o que permite definir funções em vários arquivos Python e dividi-los em diferentes componentes por arquivo.
  • Fornece interfaces de aplicativo de função pública extensíveis para criar e reutilizar suas próprias APIs.

O exemplo a seguir mostra como usar plantas:

Primeiro, em um arquivo http_blueprint.py , uma função acionada por HTTP é primeiro definida e adicionada a um objeto blueprint.

import logging 

import azure.functions as func 

bp = func.Blueprint() 

@bp.route(route="default_template") 
def default_template(req: func.HttpRequest) -> func.HttpResponse: 
    logging.info('Python HTTP trigger function processed a request.') 

    name = req.params.get('name') 
    if not name: 
        try: 
            req_body = req.get_json() 
        except ValueError: 
            pass 
        else: 
            name = req_body.get('name') 

    if name: 
        return func.HttpResponse( 
            f"Hello, {name}. This HTTP-triggered function " 
            f"executed successfully.") 
    else: 
        return func.HttpResponse( 
            "This HTTP-triggered function executed successfully. " 
            "Pass a name in the query string or in the request body for a" 
            " personalized response.", 
            status_code=200 
        )

Em seguida, no arquivo function_app.py , o objeto blueprint é importado e suas funções são registradas no aplicativo de função.

import azure.functions as func 
from http_blueprint import bp

app = func.FunctionApp() 

app.register_functions(bp)

Nota

Durable Functions também suporta plantas. Para criar esquemas para aplicativos Durable Functions, registre seus gatilhos de orquestração, atividade e entidade e associações de cliente usando a azure-functions-durable Blueprint classe, conforme mostrado aqui. O plano resultante pode então ser registado normalmente. Veja o nosso exemplo para um exemplo.

Comportamento de importação

Você pode importar módulos em seu código de função usando referências absolutas e relativas. Com base na estrutura de pastas descrita anteriormente, as seguintes importações funcionam de dentro do arquivo <de função project_root>\my_first_function\__init__.py:

from shared_code import my_first_helper_function #(absolute)

import shared_code.my_second_helper_function #(absolute)

from . import example #(relative)

Nota

Quando você estiver usando a sintaxe de importação absoluta, a pasta shared_code/ precisa conter um arquivo __init__.py para marcá-la como um pacote Python.

As seguintes __app__ importar e além da importação relativa de nível superior foram preteridas, porque não são suportadas pelo verificador de tipo estático e não são suportadas por estruturas de teste do Python:

from __app__.shared_code import my_first_helper_function #(deprecated __app__ import)

from ..shared_code import my_first_helper_function #(deprecated beyond top-level relative import)

Gatilhos e entradas

As entradas são divididas em duas categorias no Azure Functions: entrada de gatilho e outra entrada. Embora eles sejam diferentes no arquivo function.json , seu uso é idêntico no código Python. As cadeias de conexão ou segredos para fontes de acionamento e entrada são mapeadas para valores no arquivo local.settings.json quando estão sendo executadas localmente e mapeiam para as configurações do aplicativo quando estão sendo executadas no Azure.

Por exemplo, o código a seguir demonstra a diferença entre as duas entradas:

// function.json
{
  "scriptFile": "__init__.py",
  "bindings": [
    {
      "name": "req",
      "direction": "in",
      "type": "httpTrigger",
      "authLevel": "anonymous",
      "route": "items/{id}"
    },
    {
      "name": "obj",
      "direction": "in",
      "type": "blob",
      "path": "samples/{id}",
      "connection": "STORAGE_CONNECTION_STRING"
    }
  ]
}

// local.settings.json
{
  "IsEncrypted": false,
  "Values": {
    "FUNCTIONS_WORKER_RUNTIME": "python",
    "STORAGE_CONNECTION_STRING": "<AZURE_STORAGE_CONNECTION_STRING>",
    "AzureWebJobsStorage": "<azure-storage-connection-string>"
  }
}

# __init__.py
import azure.functions as func
import logging

def main(req: func.HttpRequest, obj: func.InputStream):
    logging.info(f'Python HTTP-triggered function processed: {obj.read()}')

Quando a função é invocada, a solicitação HTTP é passada para a função como req. Uma entrada é recuperada da conta de Armazenamento de Blobs do Azure com base na ID na URL de rota e disponibilizada como obj no corpo da função. Aqui, a conta de armazenamento especificada é a cadeia de conexão encontrada na configuração do CONNECTION_STRING aplicativo.

As entradas são divididas em duas categorias no Azure Functions: entrada de gatilho e outra entrada. Embora eles sejam definidos usando decoradores diferentes, seu uso é semelhante no código Python. As cadeias de conexão ou segredos para fontes de acionamento e entrada são mapeadas para valores no arquivo local.settings.json quando estão sendo executadas localmente e mapeiam para as configurações do aplicativo quando estão sendo executadas no Azure.

Como exemplo, o código a seguir demonstra como definir uma ligação de entrada de armazenamento de Blob:

// local.settings.json
{
  "IsEncrypted": false,
  "Values": {
    "FUNCTIONS_WORKER_RUNTIME": "python",
    "STORAGE_CONNECTION_STRING": "<AZURE_STORAGE_CONNECTION_STRING>",
    "AzureWebJobsStorage": "<azure-storage-connection-string>"
  }
}

# function_app.py
import azure.functions as func
import logging

app = func.FunctionApp()

@app.route(route="req")
@app.read_blob(arg_name="obj", path="samples/{id}", 
               connection="STORAGE_CONNECTION_STRING")
def main(req: func.HttpRequest, obj: func.InputStream):
    logging.info(f'Python HTTP-triggered function processed: {obj.read()}')

Quando a função é invocada, a solicitação HTTP é passada para a função como req. Uma entrada é recuperada da conta de Armazenamento de Blobs do Azure com base na ID na URL de rota e disponibilizada como obj no corpo da função. Aqui, a conta de armazenamento especificada é a cadeia de conexão encontrada na configuração do STORAGE_CONNECTION_STRING aplicativo.

Para operações de vinculação com uso intensivo de dados, convém usar uma conta de armazenamento separada. Para obter mais informações, consulte Diretrizes de conta de armazenamento.

Associações de tipo SDK (visualização)

Para selecionar gatilhos e associações, você pode trabalhar com tipos de dados implementados pelos SDKs e estruturas subjacentes do Azure. Essas associações de tipo SDK permitem que você interaja com dados de vinculação como se estivesse usando o SDK de serviço subjacente.

Importante

O suporte para associações de tipo SDK requer o modelo de programação Python v2.

O Functions dá suporte a associações de tipo Python SDK para armazenamento de Blob do Azure, que permite trabalhar com dados de blob usando o tipo subjacente BlobClient .

Importante

O suporte a ligações de tipo SDK para Python está atualmente em visualização:

  • Você deve usar o modelo de programação Python v2.
  • Atualmente, apenas tipos de SDK síncronos são suportados.

Pré-requisitos

Habilitar associações de tipo SDK para a extensão de armazenamento de Blob

  1. Adicione o azurefunctions-extensions-bindings-blob pacote de extensão ao requirements.txt arquivo no projeto, que deve incluir pelo menos estes pacotes:

    azure-functions
azurefunctions-extensions-bindings-blob

  2. Adicione este código ao function_app.py arquivo no projeto, que importa as associações de tipo SDK:

    import azurefunctions.extensions.bindings.blob as blob

Exemplos de associações de tipo SDK

Este exemplo mostra como obter o de um gatilho BlobClient de armazenamento de Blob (blob_trigger) e da ligação de entrada em um gatilho HTTP (blob_input):

import logging

import azure.functions as func
import azurefunctions.extensions.bindings.blob as blob

app = func.FunctionApp(http_auth_level=func.AuthLevel.ANONYMOUS)

@app.blob_trigger(
    arg_name="client", path="PATH/TO/BLOB", connection="AzureWebJobsStorage"
)
def blob_trigger(client: blob.BlobClient):
    logging.info(
        f"Python blob trigger function processed blob \n"
        f"Properties: {client.get_blob_properties()}\n"
        f"Blob content head: {client.download_blob().read(size=1)}"
    )


@app.route(route="file")
@app.blob_input(
    arg_name="client", path="PATH/TO/BLOB", connection="AzureWebJobsStorage"
)
def blob_input(req: func.HttpRequest, client: blob.BlobClient):
    logging.info(
        f"Python blob input function processed blob \n"
        f"Properties: {client.get_blob_properties()}\n"
        f"Blob content head: {client.download_blob().read(size=1)}"
    )
    return "ok"

Você pode visualizar outros exemplos de associações de tipo SDK para armazenamento de Blob no repositório de extensões Python:

Fluxos HTTP (visualização)

Os fluxos HTTP permitem que você aceite e retorne dados de seus pontos de extremidade HTTP usando APIs de solicitação e resposta FastAPI habilitadas em suas funções. Essas APIs permitem que o host processe grandes dados em mensagens HTTP como partes, em vez de ler uma mensagem inteira na memória.

Esse recurso torna possível lidar com grandes fluxos de dados, integrações OpenAI, fornecer conteúdo dinâmico e suportar outros cenários HTTP principais que exigem interações em tempo real por HTTP. Você também pode usar tipos de resposta FastAPI com fluxos HTTP. Sem fluxos HTTP, o tamanho de suas solicitações e respostas HTTP é limitado por restrições de memória que podem ser encontradas ao processar cargas úteis de mensagens inteiras na memória.

Importante

O suporte para fluxos HTTP requer o modelo de programação Python v2.

Importante

O suporte a fluxos HTTP para Python está atualmente em pré-visualização e requer que você use o modelo de programação Python v2.

Pré-requisitos

Habilitar fluxos HTTP

Os fluxos HTTP são desativados por padrão. Você precisa habilitar esse recurso nas configurações do aplicativo e também atualizar seu código para usar o pacote FastAPI. Observe que, ao habilitar fluxos HTTP, o aplicativo de função usará como padrão o streaming HTTP e a funcionalidade HTTP original não funcionará.

  1. Adicione o azurefunctions-extensions-http-fastapi pacote de extensão ao requirements.txt arquivo no projeto, que deve incluir pelo menos estes pacotes:

    azure-functions
azurefunctions-extensions-http-fastapi

  2. Adicione este código ao function_app.py arquivo no projeto, que importa a extensão FastAPI:

    from azurefunctions.extensions.http.fastapi import Request, StreamingResponse

  3. Ao implantar no Azure, adicione a seguinte configuração de aplicativo em seu aplicativo de função:

    "PYTHON_ENABLE_INIT_INDEXING": "1"

    Se você estiver implantando no Linux Consumption, adicione também

    "PYTHON_ISOLATE_WORKER_DEPENDENCIES": "1"

    Ao executar localmente, você também precisa adicionar essas mesmas configurações ao local.settings.json arquivo de projeto.

Exemplos de fluxos HTTP

Depois de habilitar o recurso de streaming HTTP, você pode criar funções que transmitem dados por HTTP.

Este exemplo é uma função acionada por HTTP que transmite dados de resposta HTTP. Você pode usar esses recursos para oferecer suporte a cenários como o envio de dados de eventos por meio de um pipeline para visualização em tempo real ou a deteção de anomalias em grandes conjuntos de dados e o fornecimento de notificações instantâneas.

import time

import azure.functions as func
from azurefunctions.extensions.http.fastapi import Request, StreamingResponse

app = func.FunctionApp(http_auth_level=func.AuthLevel.ANONYMOUS)


def generate_sensor_data():
    """Generate real-time sensor data."""
    for i in range(10):
        # Simulate temperature and humidity readings
        temperature = 20 + i
        humidity = 50 + i
        yield f"data: {{'temperature': {temperature}, 'humidity': {humidity}}}\n\n"
        time.sleep(1)


@app.route(route="stream", methods=[func.HttpMethod.GET])
async def stream_sensor_data(req: Request) -> StreamingResponse:
    """Endpoint to stream real-time sensor data."""
    return StreamingResponse(generate_sensor_data(), media_type="text/event-stream")

Este exemplo é uma função acionada por HTTP que recebe e processa dados de streaming de um cliente em tempo real. Ele demonstra os recursos de upload de streaming que podem ser úteis para cenários como o processamento de fluxos contínuos de dados e o tratamento de dados de eventos de dispositivos IoT.

import azure.functions as func
from azurefunctions.extensions.http.fastapi import JSONResponse, Request

app = func.FunctionApp(http_auth_level=func.AuthLevel.ANONYMOUS)


@app.route(route="streaming_upload", methods=[func.HttpMethod.POST])
async def streaming_upload(req: Request) -> JSONResponse:
    """Handle streaming upload requests."""
    # Process each chunk of data as it arrives
    async for chunk in req.stream():
        process_data_chunk(chunk)

    # Once all data is received, return a JSON response indicating successful processing
    return JSONResponse({"status": "Data uploaded and processed successfully"})


def process_data_chunk(chunk: bytes):
    """Process each data chunk."""
    # Add custom processing logic here
    pass

Chamando fluxos HTTP

Você deve usar uma biblioteca de cliente HTTP para fazer chamadas de streaming para os pontos de extremidade FastAPI de uma função. A ferramenta de cliente ou o navegador que você está usando pode não suportar nativamente o streaming ou pode retornar apenas o primeiro bloco de dados.

Você pode usar um script de cliente como este para enviar dados de streaming para um ponto de extremidade HTTP:

import httpx # Be sure to add 'httpx' to 'requirements.txt'
import asyncio

async def stream_generator(file_path):
    chunk_size = 2 * 1024  # Define your own chunk size
    with open(file_path, 'rb') as file:
        while chunk := file.read(chunk_size):
            yield chunk
            print(f"Sent chunk: {len(chunk)} bytes")

async def stream_to_server(url, file_path):
    timeout = httpx.Timeout(60.0, connect=60.0)
    async with httpx.AsyncClient(timeout=timeout) as client:
        response = await client.post(url, content=stream_generator(file_path))
        return response

async def stream_response(response):
    if response.status_code == 200:
        async for chunk in response.aiter_raw():
            print(f"Received chunk: {len(chunk)} bytes")
    else:
        print(f"Error: {response}")

async def main():
    print('helloworld')
    # Customize your streaming endpoint served from core tool in variable 'url' if different.
    url = 'http://localhost:7071/api/streaming_upload'
    file_path = r'<file path>'

    response = await stream_to_server(url, file_path)
    print(response)

if __name__ == "__main__":
    asyncio.run(main())

Saídas

A saída pode ser expressa em valor de retorno e parâmetros de saída. Se houver apenas uma saída, recomendamos usar o valor de retorno. Para várias saídas, você deve usar parâmetros de saída.

Para usar o valor de retorno de uma função como o valor de uma ligação de saída, a name propriedade da associação deve ser definida como $return no arquivo function.json .

Para produzir várias saídas, use o set() método fornecido pela azure.functions.Out interface para atribuir um valor à ligação. Por exemplo, a função a seguir pode enviar uma mensagem para uma fila e também retornar uma resposta HTTP.

{
  "scriptFile": "__init__.py",
  "bindings": [
    {
      "name": "req",
      "direction": "in",
      "type": "httpTrigger",
      "authLevel": "anonymous"
    },
    {
      "name": "msg",
      "direction": "out",
      "type": "queue",
      "queueName": "outqueue",
      "connection": "STORAGE_CONNECTION_STRING"
    },
    {
      "name": "$return",
      "direction": "out",
      "type": "http"
    }
  ]
}

import azure.functions as func

def main(req: func.HttpRequest,
         msg: func.Out[func.QueueMessage]) -> str:

    message = req.params.get('body')
    msg.set(message)
    return message

A saída pode ser expressa em valor de retorno e parâmetros de saída. Se houver apenas uma saída, recomendamos usar o valor de retorno. Para várias saídas, você terá que usar parâmetros de saída.

Para produzir várias saídas, use o set() método fornecido pela azure.functions.Out interface para atribuir um valor à ligação. Por exemplo, a função a seguir pode enviar uma mensagem para uma fila e também retornar uma resposta HTTP.

# function_app.py
import azure.functions as func

app = func.FunctionApp()

@app.write_blob(arg_name="msg", path="output-container/{name}",
                connection="CONNECTION_STRING")
def test_function(req: func.HttpRequest,
                  msg: func.Out[str]) -> str:

    message = req.params.get('body')
    msg.set(message)
    return message

Registo

O acesso ao logger de tempo de execução do Azure Functions está disponível por meio de um manipulador raiz logging em seu aplicativo de função. Esse registrador está vinculado ao Application Insights e permite sinalizar avisos e erros que ocorrem durante a execução da função.

O exemplo a seguir registra uma mensagem info quando a função é invocada por meio de um gatilho HTTP.

import logging

def main(req):
    logging.info('Python HTTP trigger function processed a request.')

Estão disponíveis mais métodos de registo que permitem escrever na consola em diferentes níveis de rastreio:

Método Description
critical(_message_) Escreve uma mensagem com o nível CRÍTICO no registrador raiz.
error(_message_) Grava uma mensagem com nível ERROR no registrador raiz.
warning(_message_) Escreve uma mensagem com nível WARNING no registrador raiz.
info(_message_) Grava uma mensagem com nível INFO no registrador raiz.
debug(_message_) Escreve uma mensagem com o nível DEBUG no registrador raiz.

Para saber mais sobre o registro em log, consulte Monitorar o Azure Functions.

Registro em log de threads criados

Para ver os logs provenientes dos threads criados, inclua o context argumento na assinatura da função. Este argumento contém um atributo thread_local_storage que armazena um arquivo invocation_id. Isso pode ser definido como atual da função invocation_id para garantir que o contexto seja alterado.

import azure.functions as func
import logging
import threading


def main(req, context):
    logging.info('Python HTTP trigger function processed a request.')
    t = threading.Thread(target=log_function, args=(context,))
    t.start()


def log_function(context):
    context.thread_local_storage.invocation_id = context.invocation_id
    logging.info('Logging from thread.')

Telemetria personalizada de log

Por padrão, o tempo de execução do Functions coleta logs e outros dados de telemetria que são gerados por suas funções. Essa telemetria acaba como traços no Application Insights. A telemetria de solicitação e dependência para determinados serviços do Azure também é coletada por padrão por gatilhos e associações.

Para coletar solicitação personalizada e telemetria de dependência personalizada fora das associações, você pode usar as extensões Python do OpenCensus. Essa extensão envia dados de telemetria personalizados para sua instância do Application Insights. Você pode encontrar uma lista de extensões suportadas no repositório OpenCensus.

Nota

Para usar as extensões OpenCensus Python, você precisa habilitar as extensões de trabalho Python em seu aplicativo de função definindo PYTHON_ENABLE_WORKER_EXTENSIONS como 1. Você também precisa alternar para usar a cadeia de conexão do Application Insights adicionando a APPLICATIONINSIGHTS_CONNECTION_STRING configuração às configurações do aplicativo, se ela ainda não estiver lá.

// requirements.txt
...
opencensus-extension-azure-functions
opencensus-ext-requests

import json
import logging

import requests
from opencensus.extension.azure.functions import OpenCensusExtension
from opencensus.trace import config_integration

config_integration.trace_integrations(['requests'])

OpenCensusExtension.configure()

def main(req, context):
    logging.info('Executing HttpTrigger with OpenCensus extension')

    # You must use context.tracer to create spans
    with context.tracer.span("parent"):
        response = requests.get(url='http://example.com')

    return json.dumps({
        'method': req.method,
        'response': response.status_code,
        'ctx_func_name': context.function_name,
        'ctx_func_dir': context.function_directory,
        'ctx_invocation_id': context.invocation_id,
        'ctx_trace_context_Traceparent': context.trace_context.Traceparent,
        'ctx_trace_context_Tracestate': context.trace_context.Tracestate,
        'ctx_retry_context_RetryCount': context.retry_context.retry_count,
        'ctx_retry_context_MaxRetryCount': context.retry_context.max_retry_count,
    })

Acionador HTTP

O gatilho HTTP é definido no arquivo function.json . O name da ligação deve corresponder ao parâmetro nomeado na função. Nos exemplos anteriores, um nome req de ligação é usado. Esse parâmetro é um objeto HttpRequest e um objeto HttpResponse é retornado.

No objeto HttpRequest, você pode obter cabeçalhos de solicitação, parâmetros de consulta, parâmetros de rota e o corpo da mensagem.

O exemplo a seguir é do modelo de gatilho HTTP para Python.

def main(req: func.HttpRequest) -> func.HttpResponse:
    headers = {"my-http-header": "some-value"}

    name = req.params.get('name')
    if not name:
        try:
            req_body = req.get_json()
        except ValueError:
            pass
        else:
            name = req_body.get('name')

    if name:
        return func.HttpResponse(f"Hello {name}!", headers=headers)
    else:
        return func.HttpResponse(
             "Please pass a name on the query string or in the request body",
             headers=headers, status_code=400
        )

Nessa função, você obtém o valor do name parâmetro query do params parâmetro do objeto HttpRequest . Você lê o corpo da mensagem codificada em JSON usando o get_json método.

Da mesma forma, você pode definir o status_code e headers para a mensagem de resposta no objeto HttpResponse retornado.

O gatilho HTTP é definido como um método que usa um parâmetro de vinculação nomeado, que é um objeto HttpRequest , e retorna um objeto HttpResponse . Você aplica o function_name decorador ao método para definir o nome da função, enquanto o ponto de extremidade HTTP é definido aplicando o route decorador.

Este exemplo é do modelo de gatilho HTTP para o modelo de programação Python v2, onde o nome do parâmetro de vinculação é req. É o código de exemplo fornecido quando você cria uma função usando as Ferramentas Principais do Azure Functions ou o Visual Studio Code.

@app.function_name(name="HttpTrigger1")
@app.route(route="hello")
def test_function(req: func.HttpRequest) -> func.HttpResponse:
     logging.info('Python HTTP trigger function processed a request.')

     name = req.params.get('name')
     if not name:
        try:
            req_body = req.get_json()
        except ValueError:
            pass
        else:
            name = req_body.get('name')

     if name:
        return func.HttpResponse(f"Hello, {name}. This HTTP-triggered function executed successfully.")
     else:
        return func.HttpResponse(
             "This HTTP-triggered function executed successfully. Pass a name in the query string or in the request body for a personalized response.",
             status_code=200
        )

No objeto HttpRequest, você pode obter cabeçalhos de solicitação, parâmetros de consulta, parâmetros de rota e o corpo da mensagem. Nessa função, você obtém o valor do name parâmetro query do params parâmetro do objeto HttpRequest . Você lê o corpo da mensagem codificada em JSON usando o get_json método.

Da mesma forma, você pode definir o status_code e headers para a mensagem de resposta no objeto HttpResponse retornado.

Para passar um nome neste exemplo, cole a URL fornecida quando você está executando a função e acrescente-a com "?name={name}".

Estruturas Web

Você pode usar estruturas compatíveis com WSGI (Web Server Gateway Interface) e ASGI (Asynchronous Server Gateway Interface), como Flask e FastAPI, com suas funções Python acionadas por HTTP. Esta seção mostra como modificar suas funções para dar suporte a essas estruturas.

Primeiro, o arquivo function.json deve ser atualizado para incluir um route no gatilho HTTP, conforme mostrado no exemplo a seguir:

{
  "scriptFile": "__init__.py",
  "bindings": [
    {
       "authLevel": "anonymous",
       "type": "httpTrigger",
       "direction": "in",
       "name": "req",
       "methods": [
           "get",
           "post"
       ],
       "route": "{*route}"
    },
    {
       "type": "http",
       "direction": "out",
       "name": "$return"
    }
  ]
}

O arquivo host.json também deve ser atualizado para incluir um HTTP routePrefix, conforme mostrado no exemplo a seguir:

{
  "version": "2.0",
  "logging": 
  {
    "applicationInsights": 
    {
      "samplingSettings": 
      {
        "isEnabled": true,
        "excludedTypes": "Request"
      }
    }
  },
  "extensionBundle": 
  {
    "id": "Microsoft.Azure.Functions.ExtensionBundle",
    "version": "[3.*, 4.0.0)"
  },
  "extensions": 
  {
    "http": 
    {
        "routePrefix": ""
    }
  }
}

Atualize o arquivo de código Python init.py, dependendo da interface usada pela sua estrutura. O exemplo a seguir mostra uma abordagem de manipulador ASGI ou uma abordagem de wrapper WSGI para Flask:

app = fastapi.FastAPI()

@app.get("hello/{name}")
async def get_name(name: str):
  return {"name": name}

def main(req: func.HttpRequest, context: func.Context) -> func.HttpResponse:
    return func.AsgiMiddleware(app).handle(req, context)

Você pode usar estruturas compatíveis com ASGI (Asynchronous Server Gateway Interface) e WSGI (Web Server Gateway Interface), como Flask e FastAPI, com suas funções Python acionadas por HTTP. Você deve primeiro atualizar o arquivo host.json para incluir um HTTP routePrefix, conforme mostrado no exemplo a seguir:

{
  "version": "2.0",
  "logging": 
  {
    "applicationInsights": 
    {
      "samplingSettings": 
      {
        "isEnabled": true,
        "excludedTypes": "Request"
      }
    }
  },
  "extensionBundle": 
  {
    "id": "Microsoft.Azure.Functions.ExtensionBundle",
    "version": "[2.*, 3.0.0)"
  },
  "extensions": 
  {
    "http": 
    {
        "routePrefix": ""
    }
  }
}

O código da estrutura se parece com o exemplo a seguir:

AsgiFunctionApp é a classe de aplicativo de função de nível superior para construir funções HTTP ASGI.

# function_app.py

import azure.functions as func 
from fastapi import FastAPI, Request, Response 

fast_app = FastAPI() 

@fast_app.get("/return_http_no_body") 
async def return_http_no_body(): 
    return Response(content="", media_type="text/plain") 

app = func.AsgiFunctionApp(app=fast_app, 
                           http_auth_level=func.AuthLevel.ANONYMOUS)

Dimensionamento e desempenho

Para obter informações sobre as práticas recomendadas de dimensionamento e desempenho para aplicativos de função Python, consulte o artigo Dimensionamento e desempenho do Python.

Contexto

Para obter o contexto de invocação de uma função quando ela estiver em execução, inclua o context argumento em sua assinatura.

Por exemplo:

import azure.functions


def main(req: azure.functions.HttpRequest,
         context: azure.functions.Context) -> str:
    return f'{context.invocation_id}'

A Context classe tem os seguintes atributos de cadeia de caracteres:

Atributo Description
function_directory O diretório no qual a função está sendo executada.
function_name O nome da função.
invocation_id A ID da invocação da função atual.
thread_local_storage O armazenamento local de thread da função. Contém um local invocation_id para registro em log de threads criados.
trace_context O contexto para o rastreamento distribuído. Para obter mais informações, veja Trace Context.
retry_context O contexto para tentativas de repetição da função. Para obter mais informações, veja retry-policies.

Variáveis globais

Não é garantido que o estado do seu aplicativo será preservado para execuções futuras. No entanto, o tempo de execução do Azure Functions geralmente reutiliza o mesmo processo para várias execuções do mesmo aplicativo. Para armazenar em cache os resultados de um cálculo caro, declare-o como uma variável global.

CACHED_DATA = None


def main(req):
    global CACHED_DATA
    if CACHED_DATA is None:
        CACHED_DATA = load_json()

    # ... use CACHED_DATA in code

Variáveis de ambiente

No Azure Functions, as configurações do aplicativo, como cadeias de conexão de serviço, são expostas como variáveis de ambiente quando estão em execução. Há duas maneiras principais de acessar essas configurações em seu código.

Método Description
os.environ["myAppSetting"] Tenta obter a configuração do aplicativo pelo nome da chave e gera um erro quando ele não é bem-sucedido.
os.getenv("myAppSetting") Tenta obter a configuração do aplicativo pelo nome da chave e retorna None quando ela não é bem-sucedida.

Ambas as maneiras exigem que você declare import os.

O exemplo a seguir usa os.environ["myAppSetting"] para obter a configuração do aplicativo, com a chave chamada myAppSetting:

import logging
import os

import azure.functions as func

def main(req: func.HttpRequest) -> func.HttpResponse:
  # Get the setting named 'myAppSetting'
  my_app_setting_value = os.environ["myAppSetting"]
  logging.info(f'My app setting value:{my_app_setting_value}')

Para o desenvolvimento local, as configurações do aplicativo são mantidas no arquivo local.settings.json.

No Azure Functions, as configurações do aplicativo, como cadeias de conexão de serviço, são expostas como variáveis de ambiente quando estão em execução. Há duas maneiras principais de acessar essas configurações em seu código.

Método Description
os.environ["myAppSetting"] Tenta obter a configuração do aplicativo pelo nome da chave e gera um erro quando ele não é bem-sucedido.
os.getenv("myAppSetting") Tenta obter a configuração do aplicativo pelo nome da chave e retorna None quando ela não é bem-sucedida.

Ambas as maneiras exigem que você declare import os.

O exemplo a seguir usa os.environ["myAppSetting"] para obter a configuração do aplicativo, com a chave chamada myAppSetting:

import logging
import os

import azure.functions as func

app = func.FunctionApp()

@app.function_name(name="HttpTrigger1")
@app.route(route="req")
def main(req: func.HttpRequest) -> func.HttpResponse:
  # Get the setting named 'myAppSetting'
  my_app_setting_value = os.environ["myAppSetting"]
  logging.info(f'My app setting value:{my_app_setting_value}')

Para o desenvolvimento local, as configurações do aplicativo são mantidas no arquivo local.settings.json.

Versão de Python

O Azure Functions suporta as seguintes versões do Python:

Versão das funções Versões Python*
4.x 3.11
3,10
3.9
3,8
3.7
3.x 3.9
3,8
3.7

* Distribuições oficiais em Python

Para solicitar uma versão específica do Python ao criar seu aplicativo de função no Azure, use a --runtime-version opção do az functionapp create comando. A versão de tempo de execução do --functions-version Functions é definida pela opção. A versão Python é definida quando o aplicativo de função é criado e não pode ser alterada para aplicativos executados em um plano de consumo.

O tempo de execução usa a versão disponível do Python quando você o executa localmente.

Alterando a versão do Python

Para definir um aplicativo de função Python para uma versão de idioma específica, você precisa especificar o idioma e a versão do idioma no LinuxFxVersion campo na configuração do site. Por exemplo, para alterar o aplicativo Python para usar Python 3.8, defina linuxFxVersion como python|3.8.

Para saber como exibir e alterar a configuração do linuxFxVersion site, consulte Como direcionar versões de tempo de execução do Azure Functions.

Para obter mais informações gerais, consulte a política de suporte de tempo de execução do Azure Functions e Idiomas suportados no Azure Functions.

Gestão de pacotes

Quando você estiver desenvolvendo localmente usando Core Tools ou Visual Studio Code, adicione os nomes e versões dos pacotes necessários ao arquivo requirements.txt e instale-os usando pip.

Por exemplo, você pode usar o seguinte arquivo requirements.txt e pip comando para instalar o pacote do requests PyPI.

requests==2.19.1

pip install -r requirements.txt

Ao executar suas funções em um plano do Serviço de Aplicativo, as dependências definidas em requirements.txt têm precedência sobre os módulos Python internos, como logging. Essa precedência pode causar conflitos quando os módulos internos têm os mesmos nomes que os diretórios em seu código. Ao executar em um plano de consumo ou um plano Elastic Premium, os conflitos são menos prováveis porque suas dependências não são priorizadas por padrão.

Para evitar problemas em execução em um plano do Serviço de Aplicativo, não nomeie seus diretórios da mesma forma que qualquer módulo nativo do Python e não inclua bibliotecas nativas do Python no arquivo requirements.txt do seu projeto.

Publicar no Azure

Quando estiver pronto para publicar, certifique-se de que todas as suas dependências disponíveis publicamente estão listadas no arquivo requirements.txt . Você pode localizar esse arquivo na raiz do diretório do projeto.

Você pode encontrar os arquivos e pastas do projeto que são excluídos da publicação, incluindo a pasta do ambiente virtual, no diretório raiz do seu projeto.

Há três ações de compilação com suporte para publicar seu projeto Python no Azure: compilação remota, compilação local e compilações usando dependências personalizadas.

Você também pode usar o Azure Pipelines para criar suas dependências e publicar usando a entrega contínua (CD). Para saber mais, consulte Entrega contínua com o Azure Pipelines.

Compilação remota

Quando você usa a compilação remota, as dependências restauradas no servidor e as dependências nativas correspondem ao ambiente de produção. o que resulta num pacote de implementação mais pequeno para carregar. Use a compilação remota quando estiver desenvolvendo aplicativos Python no Windows. Se o seu projeto tiver dependências personalizadas, você poderá usar a compilação remota com URL de índice extra.

As dependências são obtidas remotamente com base no conteúdo do arquivo requirements.txt. A compilação remota é o método de compilação recomendado. Por padrão, as Ferramentas Principais solicitam uma compilação remota quando você usa o comando a seguir func azure functionapp publish para publicar seu projeto Python no Azure.

func azure functionapp publish <APP_NAME>

Lembre-se de substituir <APP_NAME> pelo nome do seu aplicativo de função no Azure.

A Extensão do Azure Functions para Visual Studio Code também solicita uma compilação remota por padrão.

Construção local

As dependências são obtidas localmente com base no conteúdo do arquivo requirements.txt . Você pode impedir que você faça uma compilação remota usando o seguinte func azure functionapp publish comando para publicar com uma compilação local:

func azure functionapp publish <APP_NAME> --build local

Lembre-se de substituir <APP_NAME> pelo nome do seu aplicativo de função no Azure.

Quando você usa a --build local opção, as dependências do projeto são lidas do arquivo requirements.txt e esses pacotes dependentes são baixados e instalados localmente. Os arquivos de projeto e as dependências são implantados do seu computador local no Azure. Isso resulta em um pacote de implantação maior sendo carregado no Azure. Se, por algum motivo, não for possível obter o arquivo requirements.txt usando as Ferramentas Principais, use a opção de dependências personalizadas para publicação.

Não recomendamos o uso de compilações locais quando você estiver desenvolvendo localmente no Windows.

Dependências personalizadas

Quando seu projeto tem dependências que não são encontradas no Python Package Index, há duas maneiras de criar o projeto. A primeira maneira, o método de construção , depende de como você constrói o projeto.

Compilação remota com URL de índice extra

Quando seus pacotes estiverem disponíveis a partir de um índice de pacotes personalizado acessível, use uma compilação remota. Antes de publicar, crie uma configuração de aplicativo chamada PIP_EXTRA_INDEX_URL. O valor dessa configuração é a URL do índice do pacote personalizado. O uso dessa configuração informa a compilação remota para ser executada pip install usando a --extra-index-url opção. Para saber mais, consulte a documentação do Pythonpip install.

Você também pode usar credenciais de autenticação básicas com suas URLs de índice de pacote extra. Para saber mais, consulte Credenciais básicas de autenticação na documentação do Python.

Instalar pacotes locais

Se seu projeto usa pacotes que não estão disponíveis publicamente para nossas ferramentas, você pode disponibilizá-los para seu aplicativo colocando-os no diretório __app__/.python_packages . Antes de publicar, execute o seguinte comando para instalar as dependências localmente:

pip install  --target="<PROJECT_DIR>/.python_packages/lib/site-packages"  -r requirements.txt

Quando estiver usando dependências personalizadas, você deve usar a --no-build opção de publicação, porque você já instalou as dependências na pasta do projeto.

func azure functionapp publish <APP_NAME> --no-build

Lembre-se de substituir <APP_NAME> pelo nome do seu aplicativo de função no Azure.

Teste de unidades

As funções que são escritas em Python podem ser testadas como outros códigos Python usando estruturas de teste padrão. Para a maioria das associações, é possível criar um objeto de entrada simulado criando uma instância de uma classe apropriada a partir do azure.functions pacote. Como o azure.functions pacote não está disponível imediatamente, certifique-se de instalá-lo através do seu arquivo requirements.txt, conforme descrito na seção de gerenciamento de pacotes acima.

Com my_second_function como exemplo, o seguinte é um teste simulado de uma função acionada por HTTP:

Primeiro, crie um <arquivo project_root>/my_second_function/function.json e, em seguida, defina essa função como um gatilho HTTP.

{
  "scriptFile": "__init__.py",
  "entryPoint": "main",
  "bindings": [
    {
      "authLevel": "function",
      "type": "httpTrigger",
      "direction": "in",
      "name": "req",
      "methods": [
        "get",
        "post"
      ]
    },
    {
      "type": "http",
      "direction": "out",
      "name": "$return"
    }
  ]
}

Em seguida, você pode implementar my_second_function e shared_code.my_second_helper_function.

# <project_root>/my_second_function/__init__.py
import azure.functions as func
import logging

# Use absolute import to resolve shared_code modules
from shared_code import my_second_helper_function

# Define an HTTP trigger that accepts the ?value=<int> query parameter
# Double the value and return the result in HttpResponse
def main(req: func.HttpRequest) -> func.HttpResponse:
  logging.info('Executing my_second_function.')

  initial_value: int = int(req.params.get('value'))
  doubled_value: int = my_second_helper_function.double(initial_value)

  return func.HttpResponse(
    body=f"{initial_value} * 2 = {doubled_value}",
    status_code=200
    )

# <project_root>/shared_code/__init__.py
# Empty __init__.py file marks shared_code folder as a Python package

# <project_root>/shared_code/my_second_helper_function.py

def double(value: int) -> int:
  return value * 2

Você pode começar a escrever casos de teste para seu gatilho HTTP.

# <project_root>/tests/test_my_second_function.py
import unittest

import azure.functions as func
from my_second_function import main

class TestFunction(unittest.TestCase):
  def test_my_second_function(self):
    # Construct a mock HTTP request.
    req = func.HttpRequest(method='GET',
                           body=None,
                           url='/api/my_second_function',
                           params={'value': '21'})
    # Call the function.
    resp = main(req)

    # Check the output.
    self.assertEqual(resp.get_body(), b'21 * 2 = 42',)

Dentro de sua .venv pasta de ambiente virtual Python, instale sua estrutura de teste Python favorita, como pip install pytest. Em seguida, execute pytest tests para verificar o resultado do teste.

Primeiro, crie o <arquivo project_root>/function_app.py e implemente a my_second_function função como o gatilho HTTP e shared_code.my_second_helper_function.

# <project_root>/function_app.py
import azure.functions as func
import logging

# Use absolute import to resolve shared_code modules
from shared_code import my_second_helper_function

app = func.FunctionApp()

# Define the HTTP trigger that accepts the ?value=<int> query parameter
# Double the value and return the result in HttpResponse
@app.function_name(name="my_second_function")
@app.route(route="hello")
def main(req: func.HttpRequest) -> func.HttpResponse:
    logging.info('Executing my_second_function.')

    initial_value: int = int(req.params.get('value'))
    doubled_value: int = my_second_helper_function.double(initial_value)

    return func.HttpResponse(
        body=f"{initial_value} * 2 = {doubled_value}",
        status_code=200
    )

# <project_root>/shared_code/__init__.py
# Empty __init__.py file marks shared_code folder as a Python package

# <project_root>/shared_code/my_second_helper_function.py

def double(value: int) -> int:
  return value * 2

Você pode começar a escrever casos de teste para seu gatilho HTTP.

# <project_root>/tests/test_my_second_function.py
import unittest
import azure.functions as func

from function_app import main

class TestFunction(unittest.TestCase):
  def test_my_second_function(self):
    # Construct a mock HTTP request.
    req = func.HttpRequest(method='GET',
                           body=None,
                           url='/api/my_second_function',
                           params={'value': '21'})
    # Call the function.
    func_call = main.build().get_user_function()
    resp = func_call(req)
    # Check the output.
    self.assertEqual(
        resp.get_body(),
        b'21 * 2 = 42',
    )

Dentro de sua pasta de ambiente virtual .venv Python, instale sua estrutura de teste Python favorita, como pip install pytest. Em seguida, execute pytest tests para verificar o resultado do teste.

Ficheiros temporários

O tempfile.gettempdir() método retorna uma pasta temporária, que no Linux é /tmp. Seu aplicativo pode usar esse diretório para armazenar arquivos temporários que são gerados e usados por suas funções quando eles estão em execução.

Importante

Não é garantido que os arquivos gravados no diretório temporário persistam nas invocações. Durante a expansão, os arquivos temporários não são compartilhados entre instâncias.

O exemplo a seguir cria um arquivo temporário nomeado no diretório temporário (/tmp):

import logging
import azure.functions as func
import tempfile

from os import listdir

#---
   tempFilePath = tempfile.gettempdir()
   fp = tempfile.NamedTemporaryFile()
   fp.write(b'Hello world!')
   filesDirListInTemp = listdir(tempFilePath)

Recomendamos que você mantenha seus testes em uma pasta separada da pasta do projeto. Essa ação impede que você implante o código de teste com seu aplicativo.

Bibliotecas pré-instaladas

Algumas bibliotecas vêm com o tempo de execução das funções Python.

A biblioteca padrão Python

A biblioteca padrão Python contém uma lista de módulos Python integrados que são fornecidos com cada distribuição Python. A maioria dessas bibliotecas ajuda você a acessar a funcionalidade do sistema, como entrada/saída de arquivos (E/S). Em sistemas Windows, essas bibliotecas são instaladas com Python. Em sistemas baseados em Unix, eles são fornecidos por coleções de pacotes.

Para visualizar a biblioteca da sua versão do Python, vá para:

Dependências de trabalho Python do Azure Functions

O trabalhador Python do Azure Functions requer um conjunto específico de bibliotecas. Você também pode usar essas bibliotecas em suas funções, mas elas não fazem parte do padrão Python. Se suas funções dependerem de qualquer uma dessas bibliotecas, elas poderão não estar disponíveis para seu código quando ele estiver sendo executado fora do Azure Functions.

Nota

Se o arquivo requirements.txt do seu aplicativo de função contiver uma azure-functions-worker entrada, remova-o. O trabalhador de funções é gerenciado automaticamente pela plataforma Azure Functions e o atualizamos regularmente com novos recursos e correções de bugs. A instalação manual de uma versão antiga do worker no arquivo requirements.txt pode causar problemas inesperados.

Nota

Se o pacote contiver determinadas bibliotecas que podem colidir com as dependências do trabalhador (por exemplo, protobuf, tensorflow ou grpcio), configure PYTHON_ISOLATE_WORKER_DEPENDENCIES as configurações do aplicativo para 1 impedir que seu aplicativo se refira às dependências do trabalhador.

A biblioteca Python do Azure Functions

Cada atualização de trabalho Python inclui uma nova versão da biblioteca Python do Azure Functions (azure.functions). Essa abordagem facilita a atualização contínua de seus aplicativos de função Python, porque cada atualização é compatível com versões anteriores. Para obter uma lista de versões desta biblioteca, vá para azure-functions PyPi.

A versão da biblioteca de tempo de execução é corrigida pelo Azure e não pode ser substituída por requirements.txt. A azure-functions entrada no requirements.txt é apenas para forro e conscientização do cliente.

Use o código a seguir para controlar a versão real da biblioteca de funções Python em seu tempo de execução:

getattr(azure.functions, '__version__', '< 1.2.1')

Bibliotecas do sistema de tempo de execução

Para obter uma lista de bibliotecas de sistema pré-instaladas em imagens do Python worker Docker, consulte o seguinte:

Tempo de execução das funções Versão Debian Versões Python
Versão 3.x Buster Python 3.7
Python 3,8
Python 3,9

Extensões de trabalho Python

O processo de trabalho Python executado no Azure Functions permite integrar bibliotecas de terceiros em seu aplicativo de função. Essas bibliotecas de extensão atuam como middleware que pode injetar operações específicas durante o ciclo de vida da execução da sua função.

As extensões são importadas em seu código de função como um módulo de biblioteca Python padrão. As extensões são executadas com base nos seguintes escopos:

Scope Description
Nível de aplicação Quando importada para qualquer gatilho de função, a extensão se aplica a cada execução de função no aplicativo.
Nível de função A execução é limitada apenas ao gatilho de função específico para o qual é importada.

Analise as informações de cada extensão para saber mais sobre o escopo no qual a extensão é executada.

As extensões implementam uma interface de extensão de trabalho Python. Essa ação permite que o processo de trabalho Python chame o código de extensão durante o ciclo de vida de execução da função. Para saber mais, consulte Criar extensões.

Usando extensões

Você pode usar uma biblioteca de extensão de trabalho Python em suas funções Python fazendo o seguinte:

  1. Adicione o pacote de extensão no arquivo de requirements.txt para seu projeto.
  2. Instale a biblioteca em seu aplicativo.
  3. Adicione as seguintes configurações do aplicativo:
    • Localmente: insira "PYTHON_ENABLE_WORKER_EXTENSIONS": "1" na Values seção do seu arquivo local.settings.json.
    • Azure: insira PYTHON_ENABLE_WORKER_EXTENSIONS=1 as configurações do seu aplicativo.
  4. Importe o módulo de extensão para o gatilho de função.
  5. Configure a instância de extensão, se necessário. Os requisitos de configuração devem ser destacados na documentação da extensão.

Importante

Bibliotecas de extensão de trabalho Python de terceiros não são suportadas ou garantidas pela Microsoft. Você deve certificar-se de que todas as extensões que você usa em seu aplicativo de função é confiável, e você assume o risco total de usar uma extensão maliciosa ou mal escrita.

Terceiros devem fornecer documentação específica sobre como instalar e consumir suas extensões em seu aplicativo de função. Para obter um exemplo básico de como consumir uma extensão, consulte Consumindo sua extensão.

Aqui estão exemplos de uso de extensões em um aplicativo de função, por escopo:

# <project_root>/requirements.txt
application-level-extension==1.0.0

# <project_root>/Trigger/__init__.py

from application_level_extension import AppExtension
AppExtension.configure(key=value)

def main(req, context):
  # Use context.app_ext_attributes here

Criação de extensões

As extensões são criadas por desenvolvedores de bibliotecas de terceiros que criaram funcionalidades que podem ser integradas ao Azure Functions. Um desenvolvedor de extensão projeta, implementa e libera pacotes Python que contêm lógica personalizada projetada especificamente para ser executada no contexto da execução de funções. Essas extensões podem ser publicadas no registro PyPI ou nos repositórios GitHub.

Para saber como criar, empacotar, publicar e consumir um pacote de extensão de trabalho Python, consulte Desenvolver extensões de trabalho Python para o Azure Functions.

Extensões no nível do aplicativo

Uma extensão herdada de execuções em um escopo de AppExtensionBase aplicativo.

AppExtensionBase Expõe os seguintes métodos de classe abstrata para você implementar:

Método Description
init Chamado depois que a extensão é importada.
configure Chamado a partir do código de função quando é necessário para configurar a extensão.
post_function_load_app_level Chamado logo após a função ser carregada. O nome da função e o diretório da função são passados para a extensão. Lembre-se de que o diretório de função é somente leitura e qualquer tentativa de gravar em um arquivo local nesse diretório falhará.
pre_invocation_app_level Chamado logo antes da função ser acionada. O contexto da função e os argumentos de invocação da função são passados para a extensão. Normalmente, você pode passar outros atributos no objeto de contexto para que o código da função seja consumido.
post_invocation_app_level Chamado logo após o término da execução da função. O contexto da função, os argumentos de invocação da função e o objeto de retorno da invocação são passados para a extensão. Essa implementação é um bom lugar para validar se a execução dos ganchos de ciclo de vida foi bem-sucedida.

Extensões de nível de função

Uma extensão que herda de FuncExtensionBase é executada em um gatilho de função específico.

FuncExtensionBase Expõe os seguintes métodos de classe abstrata para implementações:

Método Description
__init__ O construtor da extensão. É chamado quando uma instância de extensão é inicializada em uma função específica. Ao implementar esse método abstrato, você pode querer aceitar um filename parâmetro e passá-lo para o método pai para o registro super().__init__(filename) de extensão adequado.
post_function_load Chamado logo após a função ser carregada. O nome da função e o diretório da função são passados para a extensão. Lembre-se de que o diretório de função é somente leitura e qualquer tentativa de gravar em um arquivo local nesse diretório falhará.
pre_invocation Chamado logo antes da função ser acionada. O contexto da função e os argumentos de invocação da função são passados para a extensão. Normalmente, você pode passar outros atributos no objeto de contexto para que o código da função seja consumido.
post_invocation Chamado logo após o término da execução da função. O contexto da função, os argumentos de invocação da função e o objeto de retorno da invocação são passados para a extensão. Essa implementação é um bom lugar para validar se a execução dos ganchos de ciclo de vida foi bem-sucedida.

Partilha de recursos de várias origens

O Azure Functions dá suporte ao compartilhamento de recursos entre origens (CORS). O CORS é configurado no portal e por meio da CLI do Azure. A lista de origens permitidas do CORS aplica-se ao nível da função app. Com o CORS ativado, as respostas incluem o Access-Control-Allow-Origin cabeçalho. Para obter mais informações, consulte Partilha de recursos de várias origens.

O compartilhamento de recursos entre origens (CORS) é totalmente suportado para aplicativos de função Python.

Assíncrono

Por padrão, uma instância de host para Python pode processar apenas uma invocação de função de cada vez. Isso ocorre porque Python é um tempo de execução single-threaded. Para um aplicativo de função que processa um grande número de eventos de E/S ou está sendo vinculado a E/S, você pode melhorar significativamente o desempenho executando funções de forma assíncrona. Para obter mais informações, consulte Melhorar o desempenho de aplicativos Python no Azure Functions.

Memória partilhada (pré-visualização)

Para melhorar a taxa de transferência, o Azure Functions permite que seu trabalhador de linguagem Python fora do processo compartilhe memória com o processo de host do Functions. Quando seu aplicativo de função está enfrentando gargalos, você pode habilitar a memória compartilhada adicionando uma configuração de aplicativo chamada FUNCTIONS_WORKER_SHARED_MEMORY_DATA_TRANSFER_ENABLED com um valor de 1. Com a memória compartilhada habilitada, você pode usar a configuração DOCKER_SHM_SIZE para definir a memória compartilhada como algo como 268435456, que equivale a 256 MB.

Por exemplo, você pode habilitar a memória compartilhada para reduzir gargalos quando estiver usando ligações de armazenamento de Blob para transferir cargas úteis maiores que 1 MB.

Essa funcionalidade está disponível apenas para aplicativos de função que estão sendo executados nos planos Premium e Dedicado (Serviço de Aplicativo do Azure). Para saber mais, consulte Memória compartilhada.

Problemas conhecidos e perguntas frequentes

Aqui estão dois guias de solução de problemas comuns:

Aqui estão dois guias de solução de problemas conhecidos com o modelo de programação v2:

Todos os problemas conhecidos e solicitações de recursos são rastreados em uma lista de problemas do GitHub. Se você tiver um problema e não conseguir encontrá-lo no GitHub, abra um novo problema e inclua uma descrição detalhada do problema.

Próximos passos

Para obter mais informações, consulte os seguintes recursos:

Está tendo problemas com o uso do Python? Diga-nos o que está acontecendo.