Celery的实践指南
Celery的实践指南
celery原理:
celery实际上是实现了一个典型的生产者-消费者模型的消息处理/任务调度统,消费者(worker)和生产者(client)都可以有任意个,他们通过消息系统(broker)来通信。
典型的场景为:
- 客户端启动一个进程(生产者),当用户的某些操作耗时较长或者比较频繁时,考虑接入本消息系统,发送一个task任务给broker。
- 后台启动一个worker进程(消费者),当发现broker中保存有某个任务到了该执行的时间,他就会拿过来,根据task类型和参数执行。
实践中的典型场景:
- 简单的定时任务:
- 替换crontab的celery写法:
from celery import Celery
from celery.schedules import crontab
app = Celery("tasks", backend="redis://localhost", broker="redis://localhost")
app.conf.update(CELERYBEAT_SCHEDULE = {
"add": {
"task": "celery_demo.add",
"schedule": crontab(minute="*"),
"args": (16, 16)
},
})
@app.task
def add(x, y):
return x + y
- 运行celery的worker,让他作为consumer运行,自动从broker上获得任务并执行。
- `celery -A celery_demo worker`
- 运行celery的client,让其根据schedule,自动生产出task msg,并发布到broker上。
- `celery -A celery_demo beat`
- 安装并运行flower,方便监控task的运行状态
- `celery flower -A celery_demo`
- 或者设置登录密码 `
celery flower -A celery_demo --basic_auth=user1:password1,user2:password2
- 替换crontab的celery写法:
- 多同步任务-链式任务-
- 失败自动重试的task
- 失败重试方法: 将task代码函数参数增加self,同时绑定bind。
- demo代码:
-
@app.task(bind=True, default_retry_delay=300, max_retries=5)
def my_task_A(self):
try:
print("doing stuff here...")
except SomeNetworkException as e:
print("maybe do some clenup here....")
self.retry(e)
-
- 自动重试后,是否将任务重新入queue后排队,还是等待指定的时间?可以通过self.retry()参数来指定。
- 派发到不同Queue队列的task
- 一个task自动映射到多个queue中的方法, 通过配置task和queue的routing_key命名模式。
- 比如:把queue的exchange和routing_key配置成通用模式:
- 再定义task的routing_key的名称:
- 可用的不同exchange策略:
- direct:直接根据定义routing_key
- topic:exchange会根据通配符来将一个消息推送到多个queue。
- fanout:将消息拆分,分别推送到不同queue,通常用于超大任务,耗时任务。
- 参考:http://celery.readthedocs.org/en/latest/userguide/routing.html#routers
- 一个task自动映射到多个queue中的方法, 通过配置task和queue的routing_key命名模式。
- 高级配置
- result是否保存
- 失败邮件通知:
- 关闭rate limit:
- auto_reload方法(*nix系统):
- celery通过监控源代码目录的改动,自动地进行reload
- 使用方法:1.依赖inotify(Linux) 2. kqueue(OS X / BSD)
- 安装依赖:
$ pip install pyinotify
- (可选) 指定fsNotify的依赖:
$ env CELERYD_FSNOTIFY=stat celery worker -l info --autoreload
- 启动: celery -A appname worker --autoreload
- auto-scale方法:
- 启用auto-scale
- 临时增加worker进程数量(增加consumer):
$ celery -A proj control add_consumer foo -d worker1.local
- 临时减少worker进程数量(减少consumer):
- 将scheduled task的配置从app.conf变成DB的方法:
- 需要在启动时指定custom schedule 类名,比如默认的是: celery.beat.PersistentScheduler 。
-
celery -A proj beat -S djcelery.schedulers.DatabaseScheduler
-
- 需要在启动时指定custom schedule 类名,比如默认的是: celery.beat.PersistentScheduler 。
- 启动停止worker的方法:
- 启动 as daemon : http://docs.celeryproject.org/en/latest/tutorials/daemonizing.html#daemonizing
- root用户可以使用celeryd
- 非特权用户:celery multi start worker1 -A appName —autoreload --pidfile="$HOME/run/celery/%n.pid" --logfile="$HOME/log/celery/%n.log"
- 或者 celery worker —detach
- 停止
-
ps auxww | grep 'celery worker' | awk '{print $2}' | xargs kill -9
- 启动 as daemon : http://docs.celeryproject.org/en/latest/tutorials/daemonizing.html#daemonizing
- 与Flask集成的方法
- 集成后flask将充当producer来创建并发送task给broker,在celery启动的独立worker进程将从broker中获得task并执行,同时将结果返回。
- flask中异步地获得task结果的方法:add.delay(x,y),有时需要对参数进行命名后传递 或者 add.apply_async(args=(x,y), countdown=30)
- flask获得
- 与flask集成后的启动问题
- 由于celery的默认routing_key是根据生产者在代码中的import级别来设定的,所以worker端在启动时应该注意其启动目录应该在项目顶级目录上,否者会出现KeyError。
- 性能提升: eventlet 和 greenlet
作者:
fandyst
出处: http://www.cnblogs.com/todototry/
关注语言: python、javascript(node.js)、objective-C、java、R、C++
兴趣点: 互联网、大数据技术、大数据IO瓶颈、col-oriented DB、Key-Value DB、数据挖掘、模式识别、deep learning、开发与成本管理
产品:
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接。
出处: http://www.cnblogs.com/todototry/
关注语言: python、javascript(node.js)、objective-C、java、R、C++
兴趣点: 互联网、大数据技术、大数据IO瓶颈、col-oriented DB、Key-Value DB、数据挖掘、模式识别、deep learning、开发与成本管理
产品:
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接。