Celery的使用

1|0一、celery介绍

1|11. 什么是celery
  • Celery是一个简单、灵活且可靠的，处理大量消息的分布式系统
    • 专注于实时处理的异步任务队列
    • 同时也支持任务调度
    • celery单独使用一个socket，不会额外占用其他程序的资源。
  • 项目中使用celery的优势
    • 减少服务器的压力
    • 提供了3种任务的执行方式

1|22. celery架构

  • 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。

  • celery的架构图

1|0（1）消息中间件（broker配置）
  • Celery本身不包含消息服务，使用第三方消息服务，也就是Broker，来传递任务
  • 所以一般和第三方提供的消息中间件集成使用，支持的有Kafka、RabbitMQ、Redis等等

1|0（2）任务执行单元
  • worker是celery提供的任务执行单元，worker并发的运行在分布式系统节点中

1|0（3）任务结果存储
  • Task result store用来存储worker执行的任务结果，celery支持以不同方式存储任务的结果，包括AMQP，Redis等

1|33. celery的使用场景
  • celery中共提供了3种任务执行的方式，分别应用于3个场景
    • 异步执行
    • 延迟执行
    • 定时执行

1|0（1）异步执行
  • 异步的执行分配的任务

1|0（2）延迟执行
  • 就是在之后的某一个时间点，执行该指定的任务

1|0（3）定时执行
  • 解决周期任务（就是周期的执行某一个任务）

1|44. celery的安装

 
'''
pip install celery

消息中间件使用：RabbitMQ/Redis

'''

2|0二、celery的使用

2|11. celery基本使用介绍

1|0（1）项目中celery的文件结构

 
project
    ├── celery_task  	# celery包
    │   ├── __init__.py # 包文件
    │   ├── celery.py   # celery连接和配置相关文件，且名字必须叫celery.py
    │   └── tasks.py    # 所有任务函数
    ├── add_task.py  	# 添加任务
    └── get_result.py   # 获取结果

1|0（2）celery的基本使用方法

 
步骤：

1. 在celery.py中配置broker，backend和Celery对象（进行Celery对象实例化时，将任务文件传入）

2. 在任务文件task.py中，定义任务函数，任务函数要装饰上上面生成的  Celery对象.task 这个装饰器

3. 在add_task.py文件中，为task.py文件中定义的任务函数，添加执行方式（异步/延迟，定时任务是在celery.py文件中添加）

4. 在get.result.py文件中，可以定义结果，查看任务执行的结果，但是一般这些任务的执行结果不必要查看，所以这一步可做可不做

5. 要把终端切换到环境变量能找到的位置执行下面的命令（是两个独立socket）
    启动celery服务：
    # 非windows
    # 命令：celery worker -A celery_task -l info
    # windows：
    # pip3 install eventlet
    # celery worker -A celery_task -l info -P eventletelery worker -A celery_task -l info
   有自动添加任务时，还要启动自动提交任务的服务：celery beat -A celery_task -l info

6. 获取结果

2|22. celery的基本使用实例

1|0（1）celery.py文件中

 
# 1）创建Celery对象 + 任务

# 2）启动celery(app)服务：
# 非windows
# 命令：celery worker -A celery_task -l info
# windows：
# pip3 install eventlet
# celery worker -A celery_task -l info -P eventlet

# 3）添加任务：手动添加，要自定义添加任务的脚本，右键执行脚本

# 4）获取结果：手动获取，要自定义获取任务的脚本，右键执行脚本

from celery import Celery
broker = 'redis://127.0.0.1:6379/1'
backend = 'redis://127.0.0.1:6379/2'
app = Celery(broker=broker, backend=backend, include=['celery_task.tasks'])

1|0（2）tasks.py文件中

 
from .celery import app
import time

@app.task
def add(n, m):
    print(n)
    print(m)
    time.sleep(10)
    print('n+m的结果：%s' % (n + m))
    return n + m

@app.task
def low(n, m):
    print(n)
    print(m)
    print('n-m的结果：%s' % (n - m))
    return n - m

1|0（3）add_task.py文件中

 
from celery_task import tasks

# 添加立即执行任务
t1 = tasks.add.delay(10, 20)  # 执行函数的效果是发送一条消息到broker中去，这个消息包括要执行的函数已经执行函数的参数，还有一些其他信息。之前已经启动的worker会等待broker中的消息，一旦收到消息就会立刻执行消息
t2 = tasks.low.delay(100, 50)
print(t1.id)


# 添加延迟任务
from datetime import datetime, timedelta
eta=datetime.utcnow() + timedelta(seconds=10)
tasks.low.apply_async(args=(200, 50), eta=eta)

# 添加异步任务
tasks.low.apply_async(args=(200, 50))

1|0（4）get_result.py文件中

 
from celery_task.celery import app

from celery.result import AsyncResult

id = '21325a40-9d32-44b5-a701-9a31cc3c74b5'
if __name__ == '__main__':
    async = AsyncResult(id=id, app=app)
    if async.successful():
        result = async.get()
        print(result)
    elif async.failed():
        print('任务失败')
    elif async.status == 'PENDING':
        print('任务等待中被执行')
    elif async.status == 'RETRY':
        print('任务异常后正在重试')
    elif async.status == 'STARTED':
        print('任务已经开始被执行')

2|33. Celery的高级使用

1|0（1）celery.py文件中

 
步骤：

# 1）创建Celery对象 + 任务

# 2）启动celery(app)服务：
# 非windows
# 命令：celery worker -A celery_task -l info
# windows：
# pip3 install eventlet
# celery worker -A celery_task -l info -P eventlet

# 3）添加任务：自动添加任务，所以要启动一个添加任务的服务
# 命令：celery beat -A celery_task -l info

# 4）获取结果


from celery import Celery

broker = 'redis://127.0.0.1:6379/1'
backend = 'redis://127.0.0.1:6379/2'
app = Celery(broker=broker, backend=backend, include=['celery_task.tasks'])


# 下面这两个时间的配置，只要写一个就可以了
# 时区
app.conf.timezone = 'Asia/Shanghai'
# 是否使用UTC
app.conf.enable_utc = False  # 这个为False，则走django项目的settings文件的国际化配置

# 任务的定时配置
from datetime import timedelta
from celery.schedules import crontab
app.conf.beat_schedule = {
    'low-task': {
        'task': 'celery_task.tasks.low',
        'schedule': timedelta(seconds=3),
        # 'schedule': crontab(hour=8, day_of_week=1),  # 每周一早八点
        'args': (300, 150),
    }
}

1|0（2）tasks.py文件中

 
from .celery import app

import time
@app.task
def add(n, m):
    print(n)
    print(m)
    time.sleep(10)
    print('n+m的结果：%s' % (n + m))
    return n + m


@app.task
def low(n, m):
    print(n)
    print(m)
    print('n-m的结果：%s' % (n - m))
    return n - m

1|0（3）get_result.py文件中

 
from celery_task.celery import app

from celery.result import AsyncResult

id = '21325a40-9d32-44b5-a701-9a31cc3c74b5'
if __name__ == '__main__':
    async = AsyncResult(id=id, app=app)
    if async.successful():
        result = async.get()
        print(result)
    elif async.failed():
        print('任务失败')
    elif async.status == 'PENDING':
        print('任务等待中被执行')
    elif async.status == 'RETRY':
        print('任务异常后正在重试')
    elif async.status == 'STARTED':
        print('任务已经开始被执行')

2|44. django项目中celery的使用
  • 使用celery做轮播图的硬盘数据库同步到缓存

1|0（1）步骤

 
"""
前提：将celery文件夹创建在项目根目录下

celery框架django项目工作流程
1）加载django配置环境
2）创建Celery框架对象app，配置broker和backend，得到的app就是worker
3）给worker对应的app添加可处理的任务函数，用include配置给worker的app
4）完成提供的任务的定时配置app.conf.beat_schedule
5）启动celery服务，运行worker，执行任务
6）启动beat服务，运行beat，添加任务

重点：由于采用了django的反射机制，使用celery.py所在的celery_task包必须放置项目的根目录下
"""

1|0（2）celery.py文件中

 

# 一、加载django配置环境
import os
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "luffyapi.settings.dev")

# 二、加载celery配置环境
from celery import Celery
# broker
broker = 'redis://127.0.0.1:6379/0'
# backend
backend = 'redis://127.0.0.1:6379/1'
# worker
app = Celery(broker=broker, backend=backend, include=['celery_task.tasks'])


# 时区
app.conf.timezone = 'Asia/Shanghai'
# 是否使用UTC
app.conf.enable_utc = False

# 定时任务配置
from datetime import timedelta
from celery.schedules import crontab
app.conf.beat_schedule = {
        # 'add-task': {
    #     'task': 'celery_task.tasks.add',
    #     'schedule': timedelta(seconds=3),
    #     # 'schedule': crontab(hour=8, day_of_week=1),  # 每周一早八点
    #     'args': (20, 10),
    # },
    # 'low-task': {
    #     'task': 'celery_task.tasks.low',
    #     'schedule': timedelta(seconds=6),
    #     'args': (20, 10),
    # },
    # 'get-users-task': {
    #     'task': 'celery_task.tasks.get_users',
    #     'schedule': timedelta(seconds=3),
    #     'args': (),
    # },
    # 案例：django异步更新缓存
    'update-banner-cache': {
        'task': 'celery_task.tasks.update_banner_cache',
        'schedule': timedelta(seconds=10),
        'args': (),
    },
}

1|0（3）tasks.py文件中

 

from .celery import app
from user.models import User


# 测试django环境下的任务
@app.task
def get_users():
    user_list = User.objects.all()
    print(user_list)
    return True

# 伪代码：立即和延迟任务使用
@app.task
def send_email(user, content):
    result = print('对user发送content邮件内容')
    if not result:
        print('短信推送用户，邮件发送失败')
        return False
    return True

# 案例：django异步更新缓存
from home.models import Banner
from django.conf import settings
from django.core.cache import cache
from home.serializers import BannerModelSerializer
@app.task
def update_banner_cache():
    banner_query = Banner.objects.filter(is_delete=False, is_show=True).order_by('-orders').all()[:settings.BANNER_COUNT]
    banner_data = BannerModelSerializer(banner_query, many=True).data
    for banner in banner_data:
        banner['image'] = "%s%s" % (settings.BASE_URL, banner.get('image'))
    cache.set('banner_cache', banner_data)
    return True

1|0（4）启动服务

 

在项目根目录下，在终端中执行下面的命令

启动celery服务

启动自动提交任务服务

3|0三、celery的分布式集群
  • Celery是一个分布式的任务调度模块，不仅能实现集群分散的执行全部任务，还可以实现某服务器只执行指定的task的功能
  • 详情请参考这里

__EOF__

本文作者：BigSun丶
本文链接：https://www.cnblogs.com/Mcoming/p/12178255.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！
posted @   BigSun丶  阅读(451)  评论(2)  编辑  收藏  举报
编辑推荐：
· SQL Server 2025 AI相关能力初探
· Linux系列：如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列（二）：开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
阅读排行：
· 阿里最新开源QwQ-32B，效果媲美deepseek-r1满血版，部署成本又又又降低了！
· SQL Server 2025 AI相关能力初探
· AI编程工具终极对决：字节Trae VS Cursor，谁才是开发者新宠？
· 开源Multi-agent AI智能体框架aevatar.ai，欢迎大家贡献代码
· Manus重磅发布：全球首款通用AI代理技术深度解析与实战指南
点击右上角即可分享
微信分享提示
AI IDE Trae