先決條件建立 SNS 主題：建立 Lambda 函式設定 Lambda 函數設定 IAM Lambda 角色建立 AWS Toolkit for Eclipse Lambda 專案測試 Lambda 函數

建立 Amazon Rekognition Lambda 函數

本教學說明如何使用 Java Lambda 函數，取得標籤偵測影片分析操作的結果。

注意

本教學課程使用適用於 Java 的 AWS SDK 1.x。如需使用 Rekognition 和適用於 Java 的 AWS SDK 第 2 版的教學課程，請參閱 AWS 文件開發套件範例 GitHub 儲存庫。

您可以將 Lambda 函數與 Amazon Rekognition Video 操作搭配使用。例如，以下圖表顯示網站使用 Lambda 函數，在影片上傳到 Amazon S3 儲存貯體時自動開始分析影片。當 Lambda 函數觸發時，會呼叫 StartLabelDetection 開始偵測上傳的影片中的標籤。如需使用 Lambda 處理來自 Amazon S3 儲存貯體事件通知的相關資訊，請參閱搭配 Amazon S3 事件使用 AWS Lambda。

當分析完成狀態傳送到註冊的 Amazon SNS 主題時，第二個 Lambda 函數就會觸發。第二個 Lambda 函數呼叫 GetLabelDetection，以取得分析結果。然後，結果會存放在資料庫以準備顯示於網頁。本教學的重點在於此第二個 lambda 函數。

圖表顯示 Amazon Rekognition Video 的影片處理 worfkflow，從上傳影片到將結果儲存在 Amazon DynamoDB 中，以在網站上顯示。

在本教學中，當 Amazon Rekognition Video 將影片分析完成狀態傳送到註冊的 Amazon SNS 主題時，Lambda 函數就會觸發。然後，它會呼叫 GetLabelDetection 以收集影片分析結果。為了示範，此教學將標籤偵測結果寫入至 CloudWatch 日誌。在您應用程式中的 Lambda 函數，您應該儲存分析結果以供日後使用。例如，您可以使用 Amazon DynamoDB 以儲存分析結果。如需詳細資訊，請參閱使用 DynamoDB。

下列程序將告訴您如何做到：

建立 Amazon SNS 主題和設定許可。
使用建立 Lambda 函數， AWS Management Console 並將其訂閱 Amazon SNS 主題。
使用 AWS Management Console設定 Lambda 函數。
將範本程式碼新增至 AWS Toolkit for Eclipse 專案，並將其上傳至 Lambda 函數。
使用 AWS CLI測試 Lambda 函數。

注意

在整個教學課程中使用相同的 AWS 區域。

先決條件

本教學假設您已熟悉 AWS Toolkit for Eclipse。如需詳細資訊，請參閱 AWS Toolkit for Eclipse。

Amazon Rekognition Video 影片分析操作完成狀態已傳送至 Amazon SNS 主題。此程序會建立 Amazon SNS 主題和 IAM 服務角色，讓 Amazon Rekognition Video 存取您的 Amazon SNS 主題。如需詳細資訊，請參閱呼叫 Amazon Rekognition Video 操作。

建立 Amazon SNS 主題

如果您尚未建立 IAM 服務角色，請先建立才可對該角色提供存取 Amazon SNS 主題的 Amazon Rekognition Video 權限。請記下 Amazon Resource Name (ARN)。如需詳細資訊，請參閱提供對多個 Amazon SNS 主題的存取權限。
使用 Amazon SNS 主控台建立 Amazon SNS 主題。您只需指定主題名稱。將 AmazonRekognition 置於主題名稱的前面。請記下主題 ARN。

建立 Lambda 函式

您使用 AWS Management Console建立 Lambda 函數。然後，您使用 AWS Toolkit for Eclipse 專案將 Lambda 函數套件上傳 AWS Lambda。您也可以使用 AWS Toolkit for Eclipse建立 Lambda 函數。如需詳細資訊，請參閱教學：如何建立、上傳和叫用 AWS Lambda 函數。

建立 Lambda 函數

簽署 AWS 管理主控台，並開啟位於 https://console.aws.amazon.com/lambda/ 的 AWS Lambda 主控台。
選擇建立函數。
選擇從頭開始撰寫。
在 Function Name (函數名稱) 中，為您的函數輸入名稱。
在 Runtime* (執行時間*) 中，選擇 Java 8。
選擇 Choose or create an execution role (選擇或建立執行角色)。
在 Execution role (執行角色) 中，選擇 Create a new role with basic Lambda permissions (建立具備基本 Lambda 許可的新角色)。
請注意，新角色名稱會顯示在 Basic information (基本資訊) 區段的底部。
選擇建立函數。

設定 Lambda 函數

建立 Lambda 函數後，您可以設定它來讓您在建立 SNS 主題：中建立的 Amazon SNS 主題予以觸發。您也將調整 Lambda 函數的記憶體需求和逾時期間。

設定和部署 Lambda 函數

在 Function Code (函數程式碼) 的 com.amazonaws.lambda.demo.JobCompletionHandlerHandler (處理常式) 中輸入。
在 Basic settings (基本設定) 中，選擇 Edit (編輯)。Edit basic settings (編輯基本設定) 對話方塊隨即顯示。
1. 在記憶體中選擇 1024。
2. 在 Timeout (逾時) 中選擇 10 秒。
3. 選擇儲存。
在 Designer (設計工具) 中，選擇 +Add trigger (+新增觸發條件)。[Add trigger (新增觸發條件)] 對話方塊隨即顯示。
在 Trigger configuration (觸發條件組態) 中選擇 SNS。

在 SNS 主題中，選擇您在建立 SNS 主題：中建立的 Amazon SNS 主題。
選擇 Enable trigger (啟用觸發條件)。
若要新增觸發條件，請選擇 Add (新增)。
選擇儲存，以儲存更新的 Lambda 函數。

設定 IAM Lambda 角色

若要呼叫 Amazon Rekognition Video 操作，您可以將 AmazonRekognitionFullAccess AWS 受管政策新增至 IAM Lambda 角色。開始操作，例如 StartLabelDetection，還需要傳遞 IAM 服務角色的角色許可，以供 Amazon Rekognition Video 用於存取 Amazon SNS 主題。

設定角色

登入 AWS Management Console 並開啟位於 https：//https://console.aws.amazon.com/iam/ 的 IAM 主控台。
在導覽窗格中，選擇角色。
在清單中，選擇您在建立 Lambda 函式中建立之執行角色的名稱。
選擇許可索引標籤標籤。
選擇連接政策。
從政策清單中選擇 AmazonRekognitionFullAccess。
選擇 Attach policy (連接政策)。
再次選擇執行角色。
選擇 Add inline policy (新增內嵌政策)。
選擇 JSON 標籤。
用以下政策取代現有政策。用您在建立 SNS 主題：中建立的 IAM 服務角色取代 servicerole。
選擇檢閱政策。
在 Name* (名稱*) 中輸入政策的名稱。
選擇建立政策。

建立 AWS Toolkit for Eclipse Lambda 專案

當 Lambda 函數觸發時，以下程式碼會從 Amazon SNS 主題取得完成狀態，然後呼叫 GetLabelDetection 以取得分析結果。偵測到標籤計數，偵測到的標籤清單寫入至 CloudWatch 日誌。您的 Lambda 函數應儲存影片分析結果以供日後使用。

建立 AWS Toolkit for Eclipse Lambda 專案

建立 AWS Toolkit for EclipseAWS Lambda 專案。
- 在 Project name: (專案名稱：) 中，輸入您選擇的專案名稱。
- 在 Class Name: (類別名稱：) 中，輸入 JobCompletionHandler。
- 在 Input type: (輸入類型：) 中選擇 SNS Event (SNS 事件)。
- 保留其他欄位不變。

在 Eclipse 專案總管中，開啟產生的 Lambda 處理常式 (JobCompletionHandler.java)，並以下列內容取代：


//Copyright 2018 Amazon.com, Inc. or its affiliates. All Rights Reserved.
//PDX-License-Identifier: MIT-0 (For details, see https://github.com/awsdocs/amazon-rekognition-developer-guide/blob/master/LICENSE-SAMPLECODE.)

package com.amazonaws.lambda.demo;

import com.amazonaws.services.lambda.runtime.Context;
import com.amazonaws.services.lambda.runtime.LambdaLogger;
import com.amazonaws.services.lambda.runtime.RequestHandler;
import com.amazonaws.services.lambda.runtime.events.SNSEvent;
import java.util.List;
import com.amazonaws.regions.Regions;
import com.amazonaws.services.rekognition.AmazonRekognition;
import com.amazonaws.services.rekognition.AmazonRekognitionClientBuilder;
import com.amazonaws.services.rekognition.model.GetLabelDetectionRequest;
import com.amazonaws.services.rekognition.model.GetLabelDetectionResult;
import com.amazonaws.services.rekognition.model.LabelDetection;
import com.amazonaws.services.rekognition.model.LabelDetectionSortBy;
import com.amazonaws.services.rekognition.model.VideoMetadata;
import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;



public class JobCompletionHandler implements RequestHandler<SNSEvent, String> {

   @Override
   public String handleRequest(SNSEvent event, Context context) {

      String message = event.getRecords().get(0).getSNS().getMessage();
      LambdaLogger logger = context.getLogger(); 

      // Parse SNS event for analysis results. Log results
      try {
         ObjectMapper operationResultMapper = new ObjectMapper();
         JsonNode jsonResultTree = operationResultMapper.readTree(message);
         logger.log("Rekognition Video Operation:=========================");
         logger.log("Job id: " + jsonResultTree.get("JobId"));
         logger.log("Status : " + jsonResultTree.get("Status"));
         logger.log("Job tag : " + jsonResultTree.get("JobTag"));
         logger.log("Operation : " + jsonResultTree.get("API"));

         if (jsonResultTree.get("API").asText().equals("StartLabelDetection")) {

            if (jsonResultTree.get("Status").asText().equals("SUCCEEDED")){
               GetResultsLabels(jsonResultTree.get("JobId").asText(), context);
            }
            else{
               String errorMessage = "Video analysis failed for job " 
                     + jsonResultTree.get("JobId") 
                     + "State " + jsonResultTree.get("Status");
               throw new Exception(errorMessage); 
            }

         } else
            logger.log("Operation not StartLabelDetection");

      } catch (Exception e) {
         logger.log("Error: " + e.getMessage());
         throw new RuntimeException (e);


      }

      return message;
   }

   void GetResultsLabels(String startJobId, Context context) throws Exception {

      LambdaLogger logger = context.getLogger();

      AmazonRekognition rek = AmazonRekognitionClientBuilder.standard().withRegion(Regions.US_EAST_1).build();

      int maxResults = 1000;
      String paginationToken = null;
      GetLabelDetectionResult labelDetectionResult = null;
      String labels = "";
      Integer labelsCount = 0;
      String label = "";
      String currentLabel = "";
     
      //Get label detection results and log them. 
      do {

         GetLabelDetectionRequest labelDetectionRequest = new GetLabelDetectionRequest().withJobId(startJobId)
               .withSortBy(LabelDetectionSortBy.NAME).withMaxResults(maxResults).withNextToken(paginationToken);

         labelDetectionResult = rek.getLabelDetection(labelDetectionRequest);
         
         paginationToken = labelDetectionResult.getNextToken();
         VideoMetadata videoMetaData = labelDetectionResult.getVideoMetadata();

         // Add labels to log
         List<LabelDetection> detectedLabels = labelDetectionResult.getLabels();
         
         for (LabelDetection detectedLabel : detectedLabels) {
            label = detectedLabel.getLabel().getName();
            if (label.equals(currentLabel)) {
               continue;
            }
            labels = labels + label + " / ";
            currentLabel = label;
            labelsCount++;

         }
      } while (labelDetectionResult != null && labelDetectionResult.getNextToken() != null);

      logger.log("Total number of labels : " + labelsCount);
      logger.log("labels : " + labels);

   }


}

Rekognition 命名空間未解析。若要修正此問題：
- 將滑鼠暫停在 import com.amazonaws.services.rekognition.AmazonRekognition; 這行上有底線的部分。
- 選擇 Fix project set up... (修復專案設定…)。
- 選擇 Amazon Rekognition存檔的最新版本。
- 選擇 OK 以新增存檔到專案。
儲存檔案。
在 Eclipse 程式碼視窗中按一下滑鼠右鍵，選擇 AWS Lambda，然後選擇 Upload function to AWS Lambda (將函數上傳至 AWS Lambda)。
在 Select Target Lambda Function (選擇目標 Lambda 函數) 頁面中，選擇要使用的 AWS 區域。
選擇 Choose an existing lambda function (選擇現有的 Lambda 函數)，然後選取您在建立 Lambda 函式中建立的 Lambda 函數。
選擇下一步。Function Configuration (功能組態) 對話方塊隨即顯示。
在 IAM role (IAM 角色) 中選擇您在建立 Lambda 函式建立的 IAM 角色。
選擇完成，Lambda 函數就會上傳至 AWS。

測試 Lambda 函數

使用以下 AWS CLI 命令，透過啟動影片的標籤偵測分析來測試 Lambda 函數。在分析完成後，就會觸發 Lambda 函數。檢查 CloudWatch Log 日誌，確認分析已成功。

測試 Lambda 函數

將 MOV 或 MPEG-4 格式的影片上傳到 S3 儲存貯體。為達測試目的，請上傳長度不超過 30 秒的影片。

如需指示說明，請參閱《Amazon Simple Storage Service 使用者指南》中的上傳物件至 Amazon S3。
執行下列 AWS CLI 命令，開始偵測影片中的標籤。
```
aws rekognition start-label-detection --video "S3Object={Bucket="bucketname",Name="videofile"}" \
--notification-channel "SNSTopicArn=TopicARN,RoleArn=RoleARN" \
--region Region 
    
```
更新下列的值：
- 將 bucketname 和 videofile 變更為 Amazon S3 儲存貯體名稱和您想要偵測標籤的影片檔案名稱。
- 將 TopicARN 變更為您在建立 SNS 主題：中建立的 Amazon SNS 主題的 ARN。
- 將 RoleARN 變更為您在建立 SNS 主題：中建立的 IAM 角色的 ARN。
- Region 變更為您正在使用的 AWS 區域。

請記下回應中的 JobId 值。回應看起來類似以下 JSON 範例。


{
    "JobId": "547089ce5b9a8a0e7831afa655f42e5d7b5c838553f1a584bf350ennnnnnnnnn"
}

開啟主控台，網址為：https://console.aws.amazon.com/cloudwatch/。
當分析完成後，Lambda 函數的日誌專案會顯示在日誌群組。
選擇 Lambda 函數以查看日誌串流。
選擇最新的日誌串流，以查看 Lambda 函數建立的日誌專案。如果操作成功，看起來會與下列輸出類似，顯示影片辨識操作的詳細資訊，包括任務 ID、操作類型 "StartLabelDetection"，以及偵測到的標籤類別清單，例如 Bottle、Clothing、Crowd 和 Food：

ID 的值應符合您在步驟 3 記下的 JobId 值。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

建立 AWS 影片分析器應用程式

使用 Amazon Rekognition 進行身分驗證