Celery分布式任务队列的认识和基本操作
一、简单认识
Celery是由Python开发、简单、灵活、可靠的分布式任务队列，其本质是生产者消费者模型，生产者发送任务到消息队列，消费者负责处理任务。Celery侧重于实时操作，但对调度支持也很好，其每天可以处理数以百万计的任务。
它的特点有：
- 简单：熟悉了它的流程后，配置使用简单；
- 高可用：任务执行失败或执行过程中发生连接中断，Celery会自动重新执行任务；
- 快速：一个单进程的Celery每分钟可处理上百万个任务；
- 灵活：Celery的各个组件都可以被扩展及自定制；
应用场景举例：
1.web应用：用户在网站进行某个操作需要很长时间完成时，我们可以将这种操作交给Celery执行，直接返回给用户，等到Celery执行完成以后通知用户，大大提好网站并发及用户体验感。
2.任务场景：需要批量在几百台机器执行某些命令或者任务，Celery可以轻松搞定。
3.定时任务：向定时导数据报表、定时发送通知类似场景，Celery可以提供管理接口和丰富的API。
二、架构和工作原理
Celery由以下三部分构成：消息中间件(Broker)、任务执行单元(Worker)、结果存储(Backend):来个图
消息中间件(Broker):
消息中间件Broker支持RabbitMQ、Redis、MongoDB、Memcached 等，官方推荐RabbitMQ。
任务执行单元(Worker)
Worker是任务执行单元，负责从消息队列中取出任务执行，它可以启动一个或者多个，也可以启动在不同的机器节点，这就是其实现分布式的核心。
结果存储(Backend)
Backend结果存储官方也提供了诸多的存储方式支持：RabbitMQ、 Redis、Memcached,SQLAlchemy, Django ORM、Apache Cassandra、Elasticsearch。
工作原理：
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消息队列，而定时任务由Celery Beat进程周期性地将任务发往消息队列；
任务执行单元Worker实时监视消息队列获取队列中的任务执行；
Woker执行完任务后将结果保存在Backend中;
三、安装使用
Redis的安装：
参考我的另外一篇：https://www.cnblogs.com/Utopia-Clint/p/10868258.html
Celery的安装：
一个简单的应用（Linux环境下）
注意：此时并没有将配置文件、任务文件及初始化文件分开，真的到应用环境中是要分开的，后面会提到；
创建一个文件目录：
mkdir /root/celery_study
在celery_study创建文件task.py
task.py：任务定义文件
# -*- coding:utf-8 -*- # @Author : Clint from celery import Celery app = Celery('task', broker='redis://:123456@localhost:6379', backend='redis://:123456@localhost:6379', ) @app.task def add(x, y): print("running...", x, y) return x + y
启动Worker
celery -A task worker --loglevel=info
各个参数含义：
worker: 代表第启动的角色是work当然还有beat等其他角色；
-A ：项目路径，这里我的目录是task；
-loglevel：启动的日志级别，有info、debug等，更多参数使用celery --help查看
任务队列已经准备就绪；
我们还需要通过delay或apply_async来将任务添加到worker中，这里我们通过交互式方法添加任务，并返回AsyncResult对象，通过AsyncResult对象获取结果：
AsyncResult除了get方法用于常用获取结果方法外还提以下常用方法或属性：
- state: 返回任务状态；
- task_id: 返回任务id；
- result: 返回任务结果，同get()方法；
- ready(): 判断任务是否以及有结果，有结果为True，否则False；
- info(): 获取任务信息，默认为结果；
- wait(t): 等待t秒后获取结果，若任务执行完毕，则不等待直接获取结果，若任务在执行中，则wait期间一直阻塞，直到超时报错；
- successfu(): 判断任务是否成功，成功为True，否则为False；
