Celery

目录

celery

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（backend - task result store）组成。

# 消息中间件
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等等

# 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。

# 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等

官网

Celery 官网：http://www.celeryproject.org/

Celery 官方文档英文版：http://docs.celeryproject.org/en/latest/index.html

Celery 官方文档中文版：http://docs.jinkan.org/docs/celery/

celery流程图

1、celery框架自带socket，所以自身是一个独立运行的服务

2、启动celery服务，是来执行服务中的任务的，服务中带一个执行任务的对象，会执行准备就绪的任务，将执行任务的结果保存起来

3、celery框架由三部分组成：存放要执行的任务broker，执行任务的对象worker，存放任务结果的backend

4、安装的celery主体模块，默认只提供worker，要结合其他技术提供broker和backend（两个存储的单位）

使用场景

异步任务：将耗时操作任务提交给Celery去异步执行，比如发送短信/邮件、消息推送、音视频处理等等

定时任务：定时执行某件事情，比如每天数据统计

一 . celery框架的使用

安装配置

pip install celery

消息中间件：RabbitMQ/Redis

app=celery.Celery('任务名', broker='xxx', backend='xxx', include=['文件路径', 'xxx'])

包架构封装

project
    ├── celery_task  	# celery包
    │   ├── __init__.py # 包文件
    │   ├── celery.py   # celery连接和配置相关文件，且名字必须交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. 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 eventlet

2. 创建worker对象

# 代码写入 celery 中 必须要写在celery.py中
from celery import Celery

broker = 'redis://127.0.0.1:6379/1' # 任务们
backend = 'redis://127.0.0.1:6379/2' # 任务执行结果们
app = Celery(broker=broker, backend=backend, include=['celery_task.tasks'])

3. 创建任务

  1. 在tasks.py 导入 worker对象 (app)
  2. 自定义任务函数 返回值为 任务结果
  3. 使用导入的 worker对象 点 task 装饰
# 导入app对象
from .celery import app

# 一个任务就是一个函数
# 任务的执行结果就是函数的返回值
@app.task
def add(n1,n2):
    print('加法结果:%s'%(n1+n2))
    return n1 + n2

4 .添加任务

# 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
# 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

手动添加立即执行任务(异步)

delay

# 添加任务脚本
# 1 导入任务函数的py文件
from celery_task import task_1, task_2

# 2 调用celery框架的方法, 完成任务的添加

# 使用py文件内的任务函数点 delay() 内可以传参数
res = task_1.add.delay(100, 200)
print(res) # 任务函数地址 57fbf620-ce25-40a6-afb2-b729e76a352b

手动添加立即任务, 调用delay就相当将add函数交给celery进行调用, delay函数的参数与add保持一致

手动添加延迟任务

apply_async

# 导入任务函数
from celery_task import task_1, task_2

# 手动添加延迟任务, 调用apply_async方法 就相当于将low交给celery进行延迟调用, apply_async函数的参数与add保持一致
from datetime import datetime, timedelta
def eta_second(second):
    ctime = datetime.now()
    utc_ctime = datetime.utcfromtimestamp(ctime.timestamp())
    time_delay = timedelta(seconds=second)
    return utc_ctime + time_delay

# args 就是 执行low函数所需参数 , eta 就是 延迟执行的时间 需要的时间是 utc
task_2.low.apply_async(args=(200, 50), eta=eta_second(10))

py文件.任务函数名.apply_async(args=(参数), eta=datatime.utcnow() + timedelta(seconds(10)))

5. 获取任务结果

AsyncResult

from celery_task.celery import app

from celery.result import AsyncResult

# ID 就是 添加任务的返回值
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 . celery定时任务与使用场景分析

1.启动beat

1. 启动 worker : celery worker -A celery_task -l info -P eventlet

2. 启动 beat: celery beat -A celery_task -l info
# beat也是一个socket, 启动后会根据配置文件,自动添加任务(定时任务)

2.配置文件

# 任务的定时配置
from datetime import timedelta

# celery 提供的 
from celery.schedules import crontab

app.conf.beat_schedule = {
    # 任务名 可以随意
    'low-task': {
        'task': 'celery_task.task_1.add',  # task: 任务路径(任务源)
        
        'schedule': timedelta(seconds=3), # schedule: 添加任务的时间配置 每3秒执行一次
        'schedule': crontab(hour=8, day_of_week=1),  # 每周一早八点
        'schedule': crontab(hour=8, minute=0), # 每天8点跑
        
        'args': (300, 150), # 参数
    }
}

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

接口缓存实现

from rest_framework.generics import ListAPIView
from . import models, serializers
from settings.const import BANNER_COUNT

# 访问量大，且数据较固定的接口，建议建立接口缓存
from django.core.cache import cache
from rest_framework.response import Response
class BannerListAPIView(ListAPIView):
    queryset = models.Banner.objects.filter(is_delete=False, is_show=True).order_by('-orders')[:BANNER_COUNT]
    serializer_class = serializers.BannerModelSerializer

    # 缓存有，走缓存，缓存没有走数据库
    def list(self, request, *args, **kwargs):
        banner_data = cache.get('banner_list')
        if not banner_data:
            print('走数据库')
            response = super().list(request, *args, **kwargs)
            banner_data = response.data
            # 建立缓存，不建议设置缓存过期时间，用celery等框架后台异步更新缓存即可
            cache.set('banner_list', banner_data)
        return Response(banner_data)

celery更新缓存

from .celery import app

from home.models import Banner
from settings.const import BANNER_COUNT  # 轮播图最大显示条数
from home.serializers import BannerModelSerializer
from django.core.cache import cache
@app.task
def update_banner_list():
    # 获取最新内容
    banner_query = Banner.objects.filter(is_delete=False, is_show=True).order_by('-orders')[:BANNER_COUNT]
    # 序列化
    banner_data = BannerModelSerializer(banner_query, many=True).data
    for banner in banner_data:
        banner['image'] = 'http://127.0.0.1:8000' + banner['image']
    # 更新缓存
    cache.set('banner_list', banner_data)
    return True
posted @ 2020-01-12 21:58  LD_Dragon_sky  阅读(275)  评论(2)  编辑  收藏  举报