异步任务神器 Celery 简明笔记

时间 2019-11-12

标签异步任务神器 celery 简明笔记繁體版

原文原文链接

在程序的运行过程当中，咱们常常会碰到一些耗时耗资源的操做，为了不它们阻塞主程序的运行，咱们常常会采用多线程或异步任务。好比，在 Web 开发中，对新用户的注册，咱们一般会给他发一封激活邮件，而发邮件是个 IO 阻塞式任务，若是直接把它放到应用当中，就须要等邮件发出去以后才能进行下一步操做，此时用户只能等待再等待。更好的方式是在业务逻辑中触发一个发邮件的异步任务，而主程序能够继续往下运行。html

Celery 是一个强大的分布式任务队列，它可让任务的执行彻底脱离主程序，甚至能够被分配到其余主机上运行。咱们一般使用它来实现异步任务（async task）和定时任务（crontab）。它的架构组成以下图：python

能够看到，Celery 主要包含如下几个模块：redis

任务模块 Task包含异步任务和定时任务。其中，异步任务一般在业务逻辑中被触发并发往任务队列，而定时任务由 Celery Beat 进程周期性地将任务发往任务队列。
消息中间件 BrokerBroker，即为任务调度队列，接收任务生产者发来的消息（即任务），将任务存入队列。Celery 自己不提供队列服务，官方推荐使用 RabbitMQ 和 Redis 等。
任务执行单元 WorkerWorker 是执行任务的处理单元，它实时监控消息队列，获取队列中调度的任务，并执行它。
任务结果存储 BackendBackend 用于存储任务的执行结果，以供查询。同消息中间件同样，存储也可以使用 RabbitMQ, Redis 和 MongoDB 等。

异步任务

使用 Celery 实现异步任务主要包含三个步骤：多线程

建立一个 Celery 实例
启动 Celery Worker
应用程序调用异步任务

快速入门

为了简单起见，对于 Broker 和 Backend，这里都使用 redis。在运行下面的例子以前，请确保 redis 已正确安装，并开启 redis 服务，固然，celery 也是要安装的。可使用下面的命令来安装 celery 及相关依赖：架构

$ pip install 'celery[redis]'

建立 Celery 实例

将下面的代码保存为文件 tasks.py：并发

# -*- coding: utf-8 -*-
import time
from celery import Celery
broker = 'redis://127.0.0.1:6379'
backend = 'redis://127.0.0.1:6379/0'
app = Celery('my_task', broker=broker, backend=backend)
@app.task
def add(x, y):
    time.sleep(5)     # 模拟耗时操做
    return x + y

上面的代码作了几件事：app

建立了一个 Celery 实例 app，名称为 my_task；
指定消息中间件用 redis，URL 为 redis://127.0.0.1:6379；
指定存储用 redis，URL 为 redis://127.0.0.1:6379/0；
建立了一个 Celery 任务 add，当函数被 @app.task 装饰后，就成为可被 Celery 调度的任务；

启动 Celery Worker

在当前目录，使用以下方式启动 Celery Worker：异步

$ celery worker -A tasks --loglevel=info

其中：async

参数 -A 指定了 Celery 实例的位置，本例是在 tasks.py 中，Celery 会自动在该文件中寻找 Celery 对象实例，固然，咱们也能够本身指定，在本例，使用 -A tasks.app；
参数 --loglevel 指定了日志级别，默认为 warning，也可使用 -l info 来表示；

在生产环境中，咱们一般会使用 Supervisor 来控制 Celery Worker 进程。分布式

启动成功后，控制台会显示以下输出：

调用任务

如今，咱们能够在应用程序中使用 delay() 或 apply_async() 方法来调用任务。

在当前目录打开 Python 控制台，输入如下代码：

>>> from tasks import add
>>> add.delay(2, 8)
<AsyncResult: 2272ddce-8be5-493f-b5ff-35a0d9fe600f>

在上面，咱们从 tasks.py 文件中导入了 add 任务对象，而后使用 delay() 方法将任务发送到消息中间件（Broker），Celery Worker 进程监控到该任务后，就会进行执行。咱们将窗口切换到 Worker 的启动窗口，会看到多了两条日志：

[2016-12-10 12:00:50,376: INFO/MainProcess] Received task: tasks.add[2272ddce-8be5-493f-b5ff-35a0d9fe600f]
[2016-12-10 12:00:55,385: INFO/PoolWorker-4] Task tasks.add[2272ddce-8be5-493f-b5ff-35a0d9fe600f] succeeded in 5.00642602402s: 10

这说明任务已经被调度并执行成功。

另外，咱们若是想获取执行后的结果，能够这样作：

>>> result = add.delay(2, 6)
>>> result.ready()   # 使用 ready() 判断任务是否执行完毕
False
>>> result.ready()
False
>>> result.ready()
True
>>> result.get()     # 使用 get() 获取任务结果
8

在上面，咱们是在 Python 的环境中调用任务。事实上，咱们一般在应用程序中调用任务。好比，将下面的代码保存为 client.py:

# -*- coding: utf-8 -*-
from tasks import add
# 异步任务
add.delay(2, 8)
print 'hello world'

运行命令 $ python client.py，能够看到，虽然任务函数 add 须要等待 5 秒才返回执行结果，但因为它是一个异步任务，不会阻塞当前的主程序，所以主程序会往下执行 print 语句，打印出结果。

使用配置

在上面的例子中，咱们直接把 Broker 和 Backend 的配置写在了程序当中，更好的作法是将配置项统一写入到一个配置文件中，一般咱们将该文件命名为 celeryconfig.py。Celery 的配置比较多，能够在官方文档查询每一个配置项的含义。

下面，咱们再看一个例子。项目结构以下：

celery_demo                    # 项目根目录
    ├── celery_app             # 存放 celery 相关文件
    │   ├── __init__.py
    │   ├── celeryconfig.py    # 配置文件
    │   ├── task1.py           # 任务文件 1
    │   └── task2.py           # 任务文件 2
    └── client.py              # 应用程序

init.py 代码以下：

# -*- coding: utf-8 -*-
from celery import Celery
app = Celery('demo')                                # 建立 Celery 实例
app.config_from_object('celery_app.celeryconfig')   # 经过 Celery 实例加载配置模块

celeryconfig.py 代码以下：

BROKER_URL = 'redis://127.0.0.1:6379'               # 指定 Broker
CELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/0'  # 指定 Backend
CELERY_TIMEZONE='Asia/Shanghai'                     # 指定时区，默认是 UTC
# CELERY_TIMEZONE='UTC'                             
CELERY_IMPORTS = (                                  # 指定导入的任务模块
    'celery_app.task1',
    'celery_app.task2'
)

task1.py 代码以下：

import time
from celery_app import app
@app.task
def add(x, y):
    time.sleep(2)
    return x + y

task2.py 代码以下：

import time
from celery_app import app
@app.task
def multiply(x, y):
    time.sleep(2)
    return x * y

client.py 代码以下：

# -*- coding: utf-8 -*-
from celery_app import task1
from celery_app import task2
task1.add.apply_async(args=[2, 8])        # 也可用 task1.add.delay(2, 8)
task2.multiply.apply_async(args=[3, 7])   # 也可用 task2.multiply.delay(3, 7)
print 'hello world'

如今，让咱们启动 Celery Worker 进程，在项目的根目录下执行下面命令：

celery_demo $ celery -A celery_app worker --loglevel=info

接着，运行 $ python client.py，它会发送两个异步任务到 Broker，在 Worker 的窗口咱们能够看到以下输出

[2016-12-10 13:51:58,939: INFO/MainProcess] Received task: celery_app.task1.add[9ccffad0-aca4-4875-84ce-0ccfce5a83aa]
[2016-12-10 13:51:58,941: INFO/MainProcess] Received task: celery_app.task2.multiply[64b1f889-c892-4333-bd1d-ac667e677a8a]
[2016-12-10 13:52:00,948: INFO/PoolWorker-3] Task celery_app.task1.add[9ccffad0-aca4-4875-84ce-0ccfce5a83aa] succeeded in 2.00600231002s: 10
[2016-12-10 13:52:00,949: INFO/PoolWorker-4] Task celery_app.task2.multiply[64b1f889-c892-4333-bd1d-ac667e677a8a] succeeded in 2.00601326401s: 21

delay 和 apply_async

在前面的例子中，咱们使用 delay() 或 apply_async() 方法来调用任务。事实上，delay 方法封装了 apply_async，以下：

def delay(self, *partial_args, **partial_kwargs):
    """Shortcut to :meth:`apply_async` using star arguments."""
    return self.apply_async(partial_args, partial_kwargs)

也就是说，delay 是使用 apply_async 的快捷方式。apply_async 支持更多的参数，它的通常形式以下：

apply_async(args=(), kwargs={}, route_name=None, **options)

apply_async 经常使用的参数以下：

countdown：指定多少秒后执行任务

task1.apply_async(args=(2, 3), countdown=5) # 5 秒后执行任务
eta (estimated time of arrival)：指定任务被调度的具体时间，参数类型是 datetime

from datetime import datetime, timedelta

当前 UTC 时间再加 10 秒后执行任务

task1.multiply.apply_async(args=[3, 7], eta=datetime.utcnow() + timedelta(seconds=10))
xpires：任务过时时间，参数类型能够是 int，也能够是 datetime

task1.multiply.apply_async(args=[3, 7], expires=10) # 10 秒后过时

更多的参数列表能够在官方文档中查看。

定时任务

Celery 除了能够执行异步任务，也支持执行周期性任务（Periodic Tasks），或者说定时任务。Celery Beat 进程经过读取配置文件的内容，周期性地将定时任务发往任务队列。

让咱们看看例子，项目结构以下：

celery_demo                    # 项目根目录
    ├── celery_app             # 存放 celery 相关文件
        ├── __init__.py
        ├── celeryconfig.py    # 配置文件
        ├── task1.py           # 任务文件
        └── task2.py           # 任务文件