Celery学习笔记

Celery(芹菜)

Celery是一种分布式的异步任务队列,让应用程序可能需要执行任何消耗资源的任务都交给任务队列,让应用程序能够自如快速地相应客户端地请求

任务队列

任务队列是一种被用来向线程或者机器分发任务的机制,一个任务队列输入的单元被称为一个task,专用的worker线程持续的监听任务队列等待新的任务出现去执行.

Celery的通信通过消息来执行,通常使用一个broker来在客户端和worker之间作为中间件.初始化一个任务时,客户端发送一个message给任务队列,然后broker分发message向各个worker

Celery需要一个消息缓存区发送和接受消息,RabbitMQ和Redis来作为broker,即消息的中间件

异步任务: 简而言之，做一个注册的功能，在用户使用邮箱注册成功之后，需要给该邮箱发送一封激活邮件。如果直接放在应用中，则调用发邮件的过程会遇到网络IO的阻塞，比好优雅的方式则是使用异步任务，应用在业务逻辑中触发一个异步任务。

结构

1. Celery 客户端: 用于发布后台作业。当与 Flask 一起工作的时候，客户端与 Flask 应用一起运行。
2. Celery workers: 这些是运行后台作业的进程。Celery 支持本地和远程的 workers，因此你就可以在 Flask 服务器上启动一个单独的 worker，随后随着你的应用需求的增加而新增更多的 workers。
3. 消息代理: 客户端通过消息队列和 workers 进行通信，Celery 支持多种方式来实现这些队列。最常用的代理就是 RabbitMQ 和 Redis。

支持和特性

特性

• Monitoring: 被分发给worker的事件,可以实时的知道哪一个聚簇在工作
• Scheduing: 指定特定的时间去执行某个任务,或者定期反复的去执行某个任务
• Work-flows: 简单和复杂的工作流通过canvas组合在一起?
• Resource Leak Protection: –max-tasks-per-child 用于资源泄露保护
• Time &Rate Limits:可以控制每秒/分/时,有多少个任务可以被执行,或者说一个任务被允许执行多长的时间

Application

首先需要创建一个Celery实例,即Celery application(app).

brokers = 'redis://127.0.0.1:6379/5'backend = 'redis://127.0.0.1:6379/6'app = Celery('tasks', broker=brokers, backend=backend)

其中Celery中:

• ‘tasks’为当前模块的名称,这个用来自动的获取在 __main__\ module中的任务
• ‘broker’参数为指定消息中间件(消息队列)的名称,上述为redis

执行任务(Call the task)

执行我们所定义的任务,需要使用delay()方法

from tasks import addadd.delay(4,4)

执行这个任务后,可以被之前开启的worker线程进行执行,并从work控制台中看到输出.

执行这个任务后,返回一个异步结果(AsyncResult)实例,这个结果可以被用来检查任务的状态,等待任务去完成,或者获得任务的返回值(如果任务失败,返回exception或traceback)

结果默认是不可用的,如果想要使用RPC或者保存踪迹任务结果在数据库中,需要配置Celery去使用一个结果后端(result backend)

保存结果(keep results)

如果需要保存任务运行的轨迹,Celery 需要存储状态在一些内建(built-in)的后端,例如SQLAIchemy/DjangoORM/Memcached/Redis/RPC(RabbitMQ/AMQP)等,或者其他自定义的后端

比较流行的选择是,选择RabbitMQ作为 Message broker (消息中间件),使用Redis作为结果后端

app = Celery('tasks', backend='redis://localhost', broker='pyamqp://'

通过ready 可以知道当前任务是否完成

result = add.delay(4,4)result.ready()

配置文件(Configuraiton)

可以通过如下方式进行配置信息的设定

app.config_from_object('celeryconfig')

celeryconfig.py

broker_url = 'pyamqp://'result_backend = 'rpc://'task_serializer = 'json'result_serializer = 'json'accept_content = ['json']timezone = 'Europe/Oslo'enable_utc = True

可以通过配置文件实现定时每隔一段时间去执行一个任务

config.py 配置详情看官方文档

#!/usr/bin/env python# -*- coding:utf-8 -*-from __future__ import absolute_importCELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/5'BROKER_URL = 'redis://127.0.0.1:6379/6'CELERY_TIMEZONE = 'Asia/Shanghai'from datetime import timedeltaCELERYBEAT_SCHEDULE = {    'add-every-30-seconds': {         'task': 'proj.tasks.add',         'schedule': timedelta(seconds=30),         'args': (16, 16)    },}

使用了scheduler,则需要启动celery需要加上-B参数

Task

主要侧重点:异步任务执行的过程中,发生异常之后,进行重试(retry)的操作

Task.after_return

处理任务返回之后的东西

Task.apply_async(核心函数)

通过发送一个消息,异步地去执行一个任务.

详细参数见官方文档

重要参数(parameters):

• args(Tuple) :传送给任务的位置参数
• kwargs(Dict) :传送给任务的关键字参数
• countdown(float) :在多少秒之后,任务将会被执行,默认为立即执行
• expires(float,datetime) :任务将会在未来多少秒或时间后被终结,任务将不会在终结时间之后执行
• connection(kombu.Connection): 重复使用的中间件链接而不是每次都去从链接池中请求
• retry(bool) :失败连接retry ==>setting
• retry_policy(Mapping) ==>setting

返回: AsyncResult

Task options

• Task.expires :任务最大可执行时间
• Task.max_retries: 任务最大可重试次数
• Task.on_failure: 任务错误处理函数,当任务失败之后,worker运行
• Task.on_retry: 任务重试函数,被worker执行当任务被重启时
• Task.retry 重试这个任务

Worker

可以使用一个守护进程池(Daemonization)来作为Worker

在控制台可以通过如下命令,启动Celery worker来执行任务

celery -A proj worker --loglevel=info

在控制台启动celery worker还有其他选项:

celery -A app worker --concurrency=4celery -A app worker --concurrency=1000 -P eventlet

-P 为进程池可以为:prefork(默认),eventlet,gevent,solo

在Worker Options中还有: -n hostname 应该是用来使用分布式的管理

注意

使用celery时,需要在最外层项目的根目录下启动celery app, 在根目录下设置一个py文件用来导入所有的任务以及celery app

Reference

celery cn

celery

celery task