celery --分布式任务队列

一、介绍

celery是一个基于python开发的分布式异步消息任务队列，用于处理大量消息，同时为操作提供维护此类系统所需的工具。
它是一个任务队列，专注于实时处理，同时还支持任务调度。如果你的业务场景中需要用到异步任务，就可以考虑使用celery

二、实例场景

1、你想对100台机器执行一条批量命令，可能会花很长时间 ，但你不想让你的程序等着结果返回，而是给你返回 一个任务ID,你过一段时间只需要拿着这个任务id就可以拿到任务执行结果， 在任务执行ing进行时，你可以继续做其它的事情。
2、你想做一个定时任务，比如每天检测一下你们所有客户的资料，如果发现今天 是客户的生日，就给他发个短信祝福

三、优点

• 1、简单：一但熟悉了celery的工作流程后，配置和使用还是比较简单的
• 2、高可用：当任务执行失败或执行过程中发生连接中断，celery 会自动尝试重新执行任务
• 3、快速：一个单进程的celery每分钟可处理上百万个任务
• 4、灵活：几乎celery的各个组件都可以被扩展及自定制

四、入门

celery 需要一个解决方案来发送和接受消息，通常，这是以称为消息代理的单独服务的形式出现的
有以下几种解决方案，包括：
一：RabbitMQ(消息队列，一种程序之间的通信方式)
rabbitmq 功能齐全，稳定，耐用且易于安装。它是生产环境的绝佳选择。
如果您正在使用Ubuntu或Debian，请执行以下命令安装RabbitMQ：

$ sudo apt-get install rabbitmq-server

命令完成后，代理已经在后台运行，准备为您移动消息：。Starting rabbitmq-server: SUCCESS
二、redis

redis功能齐全，但在突然中止或者电源故障时更容易丢失数据

五、安装

$ pip install celery 

六、应用

创建一个tasks.py文件

from celery import Celery

app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def add(x, y):
    return x + y

第一个参数Celery是当前模块的名称。只有在__main__模块中定义任务时才能自动生成名称。
第二个参数是broker关键字参数，指定要使用的消息代理的URL。这里使用RabbitMQ（也是默认选项）。
您可以使用RabbitMQ amqp://localhost，或者您可以使用Redis redis://localhost。
您定义了一个名为add的任务，返回两个数字的总和。

from __future__ import absolute_import
            import os
            from celery import Celery
            from django.conf import settings
            # set the default Django settings module for the 'celery' program.
            os.environ.setdefault('DJANGO_SETTINGS_MODULE', 'saruman_server.settings')
            app = Celery('saruman_server')

            # Using a string here means the worker will not have to
            # pickle the object when using Windows.
            app.config_from_object('django.conf:settings')
            app.autodiscover_tasks(lambda: settings.INSTALLED_APPS)

            @app.task(bind=True)
            def debug_task(self):
                print('Request: {0!r}'.format(self.request))

七、运行celery工作服务器

您现在可以通过使用worker 参数执行我们的程序来运行worker ：

celery -A tasks worker --loglevel=info

有关可用命令行选项的完整列表，请执行以下操作：

$ celery worker --help

还有其他几个可用的命令，也可以提供帮助：

$ celery help

八、调用任务

要调用我们的任务，您可以使用该delay()方法。
apply_async() 可以更好地控制任务执行

>>> from tasks import add
>>> add.delay(4, 4)

调用任务会返回一个AsyncResult实例。这可用于检查任务的状态，等待任务完成，或获取其返回值（或者如果任务失败，则获取异常和回溯）。

九、保持结果

如果您想跟踪任务的状态，Celery需要在某处存储或发送状态。有几个内置的结果后端可供选择：SQLAlchemy / Django ORM， Memcached，Redis，RPC（RabbitMQ / AMQP），以及 - 或者您可以定义自己的。
在本例中，我们使用rpc结果后端，它将状态作为瞬态消息发回。后端通过backend参数 指定Celery

app = Celery('tasks', backend='rpc://', broker='pyamqp://')

或者，如果您想使用Redis作为结果后端，但仍然使用RabbitMQ作为消息代理（一种流行的组合）：

app = Celery('tasks', backend='redis://localhost', broker='pyamqp://')

现在配置了结果后端，让我们再次调用该任务。这次你将保持AsyncResult调用任务时返回的实例：

>>> result = add.delay(4, 4)

该ready()方法返回任务是否已完成处理：

>>> result.ready()
False 

十、配置

与消费类电器一样，celery不需要太多配置即可运行。它有一个输入和一个输出。输入必须连接代理，输出可以
选择到结果后端。
可以直接在应用程序上或使用专用配置模块设置配置。例如，您可以通过更改task_serializer设置来配置用于序列化任务有效负载的默认序列化程序：

app.conf.task_serializer = 'json'

如果您一次配置了许多设置，则可以使用update：

app.conf.update(
task_serializer='json',
accept_content=['json'], # Ignore other content
result_serializer='json',
timezone='Europe/Oslo',
enable_utc=True,
)

对于大型项目，建议使用专用配置模块。不鼓励硬编码周期性任务间隔和任务路由选项。将它们保存在集中位置要好得多。对于库来说尤其如此，因为它使用户能够控制其任务的行为方式。集中配置还允许您的SysAdmin在发生系统故障时进行简单的更改。
您可以通过调用app.config_from_object()方法告诉Celery实例使用配置模块：

app.config_from_object('celeryconfig')

此模块通常称为“ celeryconfig”，但您可以使用任何模块名称。
在上面的例子中，一个名为的模块celeryconfig.py必须可以从当前目录或Python路径加载。它可能看起来像这样：
celeryconfig.py：

broker_url = 'pyamqp://'
result_backend = 'rpc://'

task_serializer = 'json'
result_serializer = 'json'
accept_content = ['json']
timezone = 'Europe/Oslo'
enable_utc = True

from datetime import timedelta

import djcelery

djcelery.setup_loader()
BROKER_URL = 'amqp://guest@localhost//'  #输入
CELERY_RESULT_BACKEND = 'amqp://guest@localhost//'  #返回的结果

#导入指定的任务模块
CELERY_IMPORTS = (
    'fir.app.fir.tasks',
)

CELERYBEAT_SCHEDULE = {
    'receive_mail': {
        "task": "fir.app.fir.tasks.receive_mail",
        "schedule": timedelta(seconds=5),
        "args": (),
    },
}

 

要验证配置文件是否正常工作且不包含任何语法错误，您可以尝试导入它：
####################################################

python -m celeryconfig

为了演示配置文件的强大功能，您可以将行为不当的任务路由到专用队列：

celeryconfig.py：
task_routes = {
'tasks.add': 'low-priority',
}
或者不是路由它，而是可以对任务进行速率限制，这样在一分钟（10 / m）内只能处理10种此类任务：

celeryconfig.py：
task_annotations = {
'tasks.add': {'rate_limit': '10/m'}
}
如果您使用RabbitMQ或Redis作为代理，那么您还可以指示工作人员在运行时为任务设置新的速率限制：

$ celery -A tasks control rate_limit tasks.add 10/m
worker@example.com: OK
new rate limit set successfully

十一、在项目中如何使用celery

1、可以把celery配置成一个应用
2、目录结构如下：

proj/__init__.py
    /celery.py
    /tasks.py

3、proj/celery.py内容

from __future__ import absolute_import, unicode_literals
from celery import Celery

app = Celery('proj',
    broker='amqp://',
    backend='amqp://',
    include=['proj.tasks'])

# Optional configuration, see the application user guide.
app.conf.update(
    result_expires=3600,
)

if __name__ == '__main__':
    app.start()

4、proj/tasks.py中的内容

from __future__ import absolute_import, unicode_literals
from .celery import app


@app.task
def add(x, y):
    return x + y


@app.task
def mul(x, y):
    return x * y


@app.task
def xsum(numbers):
    return sum(numbers)

5、启动worker

$ celery -A proj worker -l info

输出

-------------- celery@Alexs-MacBook-Pro.local v4.0.2 (latentcall)
---- **** -----
--- * *** * -- Darwin-15.6.0-x86_64-i386-64bit 2017-01-26 21:50:24
-- * - **** ---
- ** ---------- [config]
- ** ---------- .> app: proj:0x103a020f0
- ** ---------- .> transport: redis://localhost:6379//
- ** ---------- .> results: redis://localhost/
- *** --- * --- .> concurrency: 8 (prefork)
-- ******* ---- .> task events: OFF (enable -E to monitor tasks in this worker)
--- ***** -----
-------------- [queues]
.> celery exchange=celery(direct) key=celery

django 中使用celery：参考链接：http://docs.celeryproject.org/en/latest/django/first-steps-with-django.html#using-celery-with-django 

十二、监控工具flower

如果有些任务出现问题，可以用flower工具监控（基于tornado）
安装：pip install flower

使用：
三种启动方式

celery flower
celery flower --broker 
python manage.py celery flower #就能读取到配置里的broker_url 默认是rabbitmq

打开运行后的链接
打开worker
python manage.py celery worker -l info