Azure上可扩展运行带端点的Python重计算脚本的首选服务咨询

基于你的需求（已测试的Flask JSON API、可扩展、端点访问、兼容Azure ML、后续支持数据库），以下是针对性的服务推荐：

1. Azure App Service（首选） #

• 适配场景：你的Flask API已经完成测试，直接部署到App Service是最平滑的迁移路径，无需大幅修改代码。
• 核心优势：
  • 原生支持Python Web应用，内置Flask运行环境配置，可通过Git、容器镜像或本地代码一键部署。
  • 弹性扩展：支持自动/手动调整实例数量与规格，轻松应对重计算任务的负载波动。
  • 开箱即用的API端点：自带HTTPS访问能力，直接对外提供服务，无需额外网关配置。
  • 数据库兼容性高：后续无论添加Azure SQL Database、Azure Cosmos DB还是其他类型数据库，都能通过标准连接方式无缝集成。
  • Azure ML兼容：如果后续需要调用Azure ML Studio中的模型或服务，App Service可通过HTTP请求直接对接，双向集成无阻碍。
• 注意事项：如果你的重计算任务以周期性触发为主而非持续API请求，持续运行的App Service可能略浪费资源，但对于持续对外提供API的场景，这是最优解。

2. Azure Functions（适合轻量/触发式场景） #

• 适配场景：若你的重计算任务是事件触发（如消息队列触发、定时执行）或流量波动极大（多数时间无请求，偶尔突发峰值），可考虑此服务。
• 核心优势：
  • 无服务器架构，按实际使用量计费，成本更低。
  • 支持Python脚本，可快速封装为HTTP触发的函数，实现JSON的接收与返回。
  • 同样能与Azure ML及各类Azure数据库集成。
• 注意事项：高负载场景下可能存在冷启动延迟，且复杂的Flask路由需额外调整代码，不如App Service直接兼容。

3. Azure ML在线端点（仅需深度集成ML时考虑） #

• 你之前尝试的Azure ML Studio并非只能部署完整ML模型，也可以部署纯Python脚本作为Web服务，但它更侧重ML全生命周期管理。如果后续你的任务会深度绑定Azure ML的模型训练、数据集管理等功能，可选择此方案：
  • 可将Python脚本封装为自定义环境的部署包，部署为在线端点提供API访问。
  • 天然与Azure ML Studio集成，后续扩展ML相关功能更顺畅。
  • 但对于纯重计算任务，其学习成本与配置复杂度高于App Service，属于过度选型。

总结建议 #

优先选择Azure App Service，它完美匹配你已有的Flask API架构，扩展灵活，数据库集成无限制，同时能轻松兼容Azure ML。若后续业务出现触发式任务需求，可再考虑将部分逻辑迁移至Azure Functions。

内容的提问来源于stack exchange，提问作者Jens Voorpyl