cerely-分布式异步任务队列
Posted pfeiliu
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了cerely-分布式异步任务队列相关的知识,希望对你有一定的参考价值。
Celery 是一个强大的 分布式任务队列 的 异步处理框架,它可以让任务的执行完全脱离主程序,甚至可以被分配到其他主机上运行。我们通常使用它来实现异步任务(async task)和定时任务(crontab)。
在Celery中几个基本的概念,需要先了解下,不然不知道为什么要安装下面的东西。概念:Broker、Backend。
broker
broker是一个消息传输的中间件或消息队列,可以理解为一个邮箱。
每当应用程序调用celery的异步任务的时候,会向broker传递消息,而后celery的worker将会取到消息,进行对于的程序执行。其中Broker的中文意思是 经纪人 ,其实就是一开始说的 消息队列 ,用来发送和接受消息。这个Broker有几个方案可供选择:RabbitMQ (消息队列),Redis(缓存数据库),数据库(不推荐),等等
backend
用于存储这些消息以及celery执行的一些消息和结果。
Backend是在Celery的配置中的一个配置项 CELERY_RESULT_BACKEND ,作用是保存结果和状态,如果你需要跟踪任务的状态,那么需要设置这一项,可以是Database backend,也可以是Cache backend,具体可以参考这里: CELERY_RESULT_BACKEND 。
brokers,官方推荐是 rabbitmq 和 redis,至于 backend,就是数据库。为了简单可以都使用 redis。
这是在网上最多的一张Celery的图
Celery的架构由三部分组成,消息中间件(message broker),任务执行单元(worker)和任务执行结果存储(task result store)组成。
1.消息中间件broker
Celery本身不提供消息服务,但是可以方便的和第三方提供的消息中间件集成。包括,RabbitMQ, Redis, MongoDB (experimental), Amazon SQS (experimental),CouchDB (experimental), SQLAlchemy (experimental),Django ORM (experimental), IronMQ
2.任务执行单元
Worker是Celery提供的任务执行的单元,worker并发的运行在分布式的系统节点中。
3.任务结果存储
Task result store用来存储Worker执行的任务的结果,Celery支持以不同方式存储任务的结果,包括AMQP, redis,memcached, mongodb,SQLAlchemy, Django ORM,Apache Cassandra, IronCache 等。
安装:
pip install redis
pip install celery
它的架构组成如下图:
Celery 主要包含以下几个模块:
-
任务模块 Task
包含异步任务和定时任务。其中,异步任务通常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 Broker
Broker,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 本身不提供队列服务,官方推荐使用 RabbitMQ 和 Redis 等。
-
任务执行单元 Worker
Worker 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 Backend
Backend 用于存储任务的执行结果,以供查询。同消息中间件一样,存储也可使用 RabbitMQ, redis 和 MongoDB 等。
开始使用 Celery
使用celery包含三个方面:1. 定义任务函数。2. 运行celery服务。3. 客户应用程序的调用。
创建 Celery 实例
将下面的代码保存为文件 tasks.py
:
# -*- 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) # 模拟耗时操作 return x + y
上面的代码做了几件事:
创建了一个 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;
创建了一个 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,使用如下方式启动 Celery Worker:
celery worker -A tasks --loglevel=info
其中:
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,当然,我们也可以自己指定,在本例,使用 -A tasks.app;
参数 --loglevel 指定了日志级别,默认为 warning,也可以使用 -l info 来表示;
在生产环境中,我们通常会使用 Supervisor 来控制 Celery Worker 进程。
启动成功后,控制台会显示如下输出:
调用任务
现在,我们可以在应用程序中使用 delay()
或 apply_async()
方法来调用任务。
在当前目录打开 Python 控制台,输入以下代码:
>>> from tasks import add >>> add.delay(2, 8) <AsyncResult: 2272ddce-8be5-493f-b5ff-35a0d9fe600f>
在上面,我们从 tasks.py
文件中导入了 add
任务对象,然后使用 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。我们将窗口切换到 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,我们如果想获取执行后的结果,可以这样做:
>>> 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,我们是在 Python 的环境中调用任务。事实上,我们通常在应用程序中调用任务。比如,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
,可以看到,虽然任务函数 add
需要等待 5 秒才返回执行结果,但由于它是一个异步任务,不会阻塞当前的主程序,因此主程序会往下执行 print
语句,打印出结果。
使用配置
在上面的例子中,我们直接把 Broker 和 Backend 的配置写在了程序当中,更好的做法是将配置项统一写入到一个配置文件中,通常我们将该文件命名为 celeryconfig.py。Celery 的配置比较多,可以在官方文档查询每个配置项的含义。
下面,我们再看一个例子。项目结构如下:
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
代码如下:
# -*- coding: utf-8 -*- from celery import Celery app = Celery(‘demo‘) # 创建 Celery 实例 app.config_from_object(‘celery_app.celeryconfig‘) # 通过 Celery 实例加载配置模块
celeryconfig.py
代码如下:
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
代码如下:
import time from celery_app import app @app.task def add(x, y): time.sleep(2) return x + y
task2.py
代码如下:
import time from celery_app import app @app.task def multiply(x, y): time.sleep(2) return x * y
client.py
代码如下:
# -*- 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‘
现在,让我们启动 Celery Worker 进程,在项目的根目录下执行下面命令:
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 的窗口我们可以看到如下输出:
[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
定时任务
Celery 除了可以执行异步任务,也支持执行周期性任务(Periodic Tasks),或者说定时任务。Celery Beat 进程通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。
让我们看看例子,项目结构如下:
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
__init__.py
代码如下:
# -*- coding: utf-8 -*- from celery import Celery app = Celery(‘demo‘) app.config_from_object(‘celery_app.celeryconfig‘)
celeryconfig.py
代码如下:
# -*- coding: utf-8 -*- from datetime import timedelta from celery.schedules import crontab # Broker and Backend BROKER_URL = ‘redis://127.0.0.1:6379‘ CELERY_RESULT_BACKEND = ‘redis://127.0.0.1:6379/0‘ # Timezone CELERY_TIMEZONE=‘Asia/Shanghai‘ # 指定时区,不指定默认为 ‘UTC‘ # CELERY_TIMEZONE=‘UTC‘ # import CELERY_IMPORTS = ( ‘celery_app.task1‘, ‘celery_app.task2‘ ) # schedules CELERYBEAT_SCHEDULE = { ‘add-every-30-seconds‘: { ‘task‘: ‘celery_app.task1.add‘, ‘schedule‘: timedelta(seconds=30), # 每 30 秒执行一次 ‘args‘: (5, 8) # 任务函数参数 }, ‘multiply-at-some-time‘: { ‘task‘: ‘celery_app.task2.multiply‘, ‘schedule‘: crontab(hour=9, minute=50), # 每天早上 9 点 50 分执行一次 ‘args‘: (3, 7) # 任务函数参数 } }
task1.py
代码如下:
import time from celery_app import app @app.task def add(x, y): time.sleep(2) return x + y
task2.py
代码如下:
import time from celery_app import app @app.task def multiply(x, y): time.sleep(2) return x * y
现在,让我们启动 Celery Worker 进程,在项目的根目录下执行下面命令:
celery -A celery_app worker --loglevel=info
接着,启动 Celery Beat 进程,定时将任务发送到 Broker,在项目根目录下执行下面命令:
celery_demo $ celery beat -A celery_app celery beat v4.0.1 (latentcall) is starting. __ - ... __ - _ LocalTime -> 2016-12-11 09:48:16 Configuration -> . broker -> redis://127.0.0.1:6379// . loader -> celery.loaders.app.AppLoader . scheduler -> celery.beat.PersistentScheduler . db -> celerybeat-schedule . logfile -> [stderr]@%WARNING . maxinterval -> 5.00 minutes (300s)
之后,在 Worker 窗口我们可以看到,任务 task1
每 30 秒执行一次,而 task2
每天早上 9 点 50 分执行一次。
在上面,我们用两个命令启动了 Worker 进程和 Beat 进程,我们也可以将它们放在一个命令中:
$ celery -B -A celery_app worker --loglevel=info
错误:Celery ValueError: not enough values to unpack (expected 3, got 0)
解决方案:
pip install eventlet
celery -A <mymodule> worker -l info -P eventlet
参考文章:https://blog.csdn.net/chenqiuge1984/article/details/80127446
以上是关于cerely-分布式异步任务队列的主要内容,如果未能解决你的问题,请参考以下文章