在本教程中，你将了解如何将图像上传到 Azure Blob 存储并使用 Azure Functions 和计算机视觉对其进行处理。 你还将了解如何在此过程中实现 Azure Function 触发器和绑定。 这些服务将一起分析包含文本的上传图像，从中提取文本，然后将文本存储在数据库行中，供以后分析或用于其他用途。

Azure Blob 存储是 Microsoft 针对云提供的可大规模缩放的对象存储解决方案。 Blob 存储设计用于存储图像和文档、流式处理媒体文件、管理备份和存档数据等等。 有关 Blob 存储的详细信息，请阅读 概述页面 。

Azure Functions 是一种无服务器计算机解决方案，允许你编写和运行小块代码作为高度可缩放、无服务器、事件驱动的函数。 有关 Azure Functions 的详细信息，请阅读 概述页面 。

本教程介绍以下操作：

创建存储帐户和容器

第一步是创建存储帐户来保存上传的 blob 数据，在本方案中为包含文本的图像。 存储帐户提供多种不同的服务，但本教程使用 Blob 存储和表存储。

在 Azure 门户中从专用容器更改为公共容器

此过程需要一个公共容器。 若要更改该配置，请在 Azure 门户中进行更改。

在 Visual Studio Code 中检索连接字符串

Azure CLI 命令可以在 Azure Cloud Shell 中或是 安装了 Azure CLI 的工作站上运行。

若要创建存储帐户和容器，可以运行如下所示的 CLI 命令。

az group create --location eastus --name msdocs-storage-function \
az storage account create --name msdocsstorageaccount --resource-group msdocs-storage-function -l eastus --sku Standard_LRS \
az storage container create --name imageanalysis --account-name msdocsstorageaccount --resource-group msdocs-storage-function
你可能需要稍等片刻，让 Azure 预配这些资源。
命令完成后，还需要检索存储帐户的连接字符串。  稍后将使用连接字符串将 Azure Function 连接到存储帐户。
az storage account show-connection-string -g msdocs-storage-function -n msdocsstorageaccount
复制 connectionString 属性的值，并将其粘贴到某处供稍后使用。 此外，还需要记下存储帐户名称 msdocsstoragefunction 供稍后使用。
创建计算机视觉服务
接下来，创建计算机视觉服务帐户来处理上传的文件。  计算机视觉是 Azure 认知服务的一部分，可提供各种用于从图像中提取数据的功能。  有关计算机视觉的详细信息，请阅读概述页面。
Azure 门户
Azure CLI
选择底部的“查看 + 创建”。 Azure 会花点时间验证输入的信息。  验证设置后，选择“创建”，Azure 将开始预配计算机视觉服务，这可能需要一些时间。
操作完成后，选择“转到资源”。
接下来，我们需要找到计算机视觉服务的密钥和终结点 URL，以在 Azure Function App 中使用。
在“计算机视觉”概述页面上，选择“密钥和终结点”。
在“密钥和终结点”页面上，复制“密钥 1”值和“终结点”值，并将它们粘贴到某处供稍后使用。 终结点的格式应为 https://YOUR-RESOURCE-NAME.cognitiveservices.azure.com/
若要创建计算机视觉服务，可以运行以下 CLI 命令。
az cognitiveservices account create \
    --name msdocs-process-image \
    --resource-group msdocs-storage-function \
    --kind ComputerVision \
    --sku F1 \
    --location eastus2 \
    --yes
你可能需要稍等片刻，让 Azure 预配这些资源。
创建计算机视觉服务后，可以使用以下命令检索密钥和 URL 终结点。
    az cognitiveservices account keys list \
    --name msdocs-process-image \
    --resource-group msdocs-storage-function  \ 
    az cognitiveservices account list \
    --name msdocs-process-image \
     --resource-group msdocs-storage-function --query "[].properties.endpoint"   
下载并配置示例项目
本教程中使用的 Azure 函数的代码可在此 GitHub 存储库 的 JavaScript 子目录中找到。 也可以使用以下命令克隆项目。
git clone https://github.com/Azure-Samples/msdocs-storage-bind-function-service.git \
cd msdocs-storage-bind-function-service/javascript \
code .
示例项目将完成以下任务：
检索环境变量以连接到存储帐户和计算机视觉服务
接受上传的文件作为 blob 参数
使用计算机视觉服务分析 blob
使用输出绑定将分析后的图像文本发送到新表行
下载并打开项目后，需要了解一些基本概念：
数据输入 - BlobTrigger ("type": "blobTrigger") 用于将函数绑定到 Blob 存储中的上传事件。 触发器有两个必需的参数：
path：触发器监视事件的路径。 该路径包括容器名称 imageanalysis 以及 blob 名称的变量替换。 此 blob 名称是从 name 属性中检索的。
name：已上传的 blob 的名称。 myBlob 的使用是传入函数的 blob 的参数名称。 请勿更改值 myBlob。
connection：存储帐户的连接字符串。 值 StorageConnection 与 local.settings.json 文件中的名称匹配。
数据输出 - TableBinding ("type": "table") 用于将出站数据绑定到存储表。
tableName：写入函数返回的已分析图像文本值的表的名称。 该表必须已存在。
connection：存储帐户的连接字符串。 值 StorageConnection 与 local.settings.json 文件中的名称匹配。
// ProcessImageUpload/index.js
const { v4: uuidv4 } = require('uuid');
const { ApiKeyCredentials } = require('@azure/ms-rest-js');
const { ComputerVisionClient } = require('@azure/cognitiveservices-computervision');
const sleep = require('util').promisify(setTimeout);
const STATUS_SUCCEEDED = "succeeded";
const STATUS_FAILED = "failed"
async function readFileUrl(context, computerVisionClient, url) {
    try {
        context.log(`uri = ${url}`);
        // To recognize text in a local image, replace client.read() with readTextInStream() as shown:
        let result = await computerVisionClient.read(url);
        // Operation ID is last path segment of operationLocation (a URL)
        let operation = result.operationLocation.split('/').slice(-1)[0];
        // Wait for read recognition to complete
        // result.status is initially undefined, since it's the result of read
        while (result.status !== STATUS_SUCCEEDED) {
            await sleep(1000);
            result = await computerVisionClient.getReadResult(operation);
        let contents = "";
        result.analyzeResult.readResults.map((page) => {
            page.lines.map(line => {
                contents += line.text + "\n\r"
        return contents;
    } catch (err) {
        console.log(err);
module.exports = async function (context, myBlob) {
    try {
        context.log("JavaScript blob trigger function processed blob \n Blob:", context.bindingData.blobTrigger, "\n Blob Size:", myBlob.length, "Bytes");
        const computerVision_ResourceKey = process.env.ComputerVisionKey;
        const computerVision_Endpoint = process.env.ComputerVisionEndPoint;
        const computerVisionClient = new ComputerVisionClient(
            new ApiKeyCredentials({ inHeader: { 'Ocp-Apim-Subscription-Key': computerVision_ResourceKey } }), computerVision_Endpoint);
        // URL must be full path
        const textContext = await readFileUrl(context, computerVisionClient, context.bindingData.uri);
        context.bindings.tableBinding = [];
        context.bindings.tableBinding.push({
            PartitionKey: "Images",
            RowKey: uuidv4().toString(),
            Text: textContext
    } catch (err) {
        context.log(err);
        return;
此代码还从环境变量中检索基本配置值，例如 Blob 存储连接字符串和计算机视觉密钥。 这些环境变量在部署后添加到 Azure 函数环境。
默认函数还使用称为 AnalyzeImage 的第二种方法。 此代码使用计算机视觉帐户的 URL 终结点和密钥向计算机视觉发出处理图像的请求。  该请求返回图像中发现的所有文本。 此文本使用出站绑定写入表存储。
配置本地设置
若要在本地运行项目，请在 ./local.settings.json 文件中输入环境变量。 使用之前在创建 Azure 资源时保存的值填充占位符值。
尽管 Azure 函数代码在本地运行，但它将连接到基于云的存储服务，而不是使用任何本地模拟器。
  "IsEncrypted": false,
  "Values": {
    "AzureWebJobsStorage": "",
    "FUNCTIONS_WORKER_RUNTIME": "node",
    "StorageConnection": "your-storage-account-connection-string",
    "StorageAccountName": "your-storage-account-name",
    "StorageContainerName": "your-storage-container-name",    
    "ComputerVisionKey": "your-computer-vision-key",
    "ComputerVisionEndPoint":  "https://REPLACE-WITH-YOUR-RESOURCE-NAME.cognitiveservices.azure.com/"    
创建 Azure Functions 应用
现在可以使用 Visual Studio Code 扩展将应用程序部署到 Azure。
在 Visual Studio Code 中，选择 Shift + Alt + A 以打开 Azure 资源管理器。
在“Functions”部分，找到并右键单击订阅，然后选择“在 Azure 中创建函数应用(高级)”。
使用下表创建函数资源。
上一个资源创建过程完成后，在 Azure 资源管理器的“Functions”部分中右键单击新资源，然后选择“部署到函数应用”。
如果系统询问“是否确定要部署...”，请选择“部署”。
该过程完成后，会显示一条通知，其中包含“上传设置”的选项。 选择该选项。 这会将值从 local.settings.json 文件复制到 Azure 函数应用中。 如果通知在你进行选择之前就消失了，请继续执行下一部分。
为存储和计算机视觉添加应用设置
如果在通知中选择了“上传设置”，请跳过此部分。
Azure 函数已成功部署，但它还无法连接到存储帐户和计算机视觉服务。 必须先将正确的密钥和连接字符串添加到 Azure Functions 应用的配置设置。
在 Azure 资源管理器的“Functions”部分，查找你的资源，右键单击“应用程序设置”，然后选择“添加新设置”。
为以下机密输入新的应用设置。 将机密值从本地项目复制并粘贴到 local.settings.json 文件中。
将 Azure Function 连接到不同服务所需的所有环境变量现已到位。
将图像上传到 Blob 存储
现在可以测试应用程序了！ 你可以将 blob 上传到容器，然后验证图像中的文本是否已保存到表存储。
在 Visual Studio Code 的 Azure 资源管理器中，在“存储”部分查找并展开你的存储资源。
展开“Blob 容器”，右键单击容器名称 imageanalysis，然后选择“上传文件”。
你可以在可下载示例项目的根目录的 images 文件夹中找到一些示例图像，也可以使用自己的图像。
对于“目标目录”，接受默认值 /。
等待文件上传并列在容器中。
查看图片的文本分析
接下来，可以验证上传是否触发了 Azure Function，以及图像中的文本是否已正确分析并保存到表存储中。
在 Visual Studio Code 的 Azure 资源管理器中，在同一存储资源下，展开“表”查找你的资源。
ImageText 表现在应该可用。  单击该表可预览其中的数据行。  你应会看到已上传文件的已处理图像文本的条目。  可以使用时间戳或通过查看“文本”列的内容来验证这一点。
恭喜！ 你已成功使用 Azure Functions 和计算机视觉处理上传到 Blob 存储的图像。
请使用下表帮助解决此过程中的问题。