java 分布式任务队列_cerely-分布式异步任务队列

古城微笑少年丶 2022-11-03 11:47 196阅读 0赞

Celery 是一个强大的 分布式任务队列 的 异步处理框架，它可以让任务的执行完全脱离主程序，甚至可以被分配到其他主机上运行。我们通常使用它来实现异步任务(async task)和定时任务(crontab)。

在Celery中几个基本的概念，需要先了解下，不然不知道为什么要安装下面的东西。概念：Broker、Backend。

broker

broker是一个消息传输的中间件或消息队列，可以理解为一个邮箱。

每当应用程序调用celery的异步任务的时候，会向broker传递消息，而后celery的worker将会取到消息，进行对于的程序执行。其中Broker的中文意思是 经纪人 ，其实就是一开始说的 消息队列 ，用来发送和接受消息。这个Broker有几个方案可供选择：RabbitMQ (消息队列)，Redis(缓存数据库)，数据库(不推荐)，等等

backend

用于存储这些消息以及celery执行的一些消息和结果。

Backend是在Celery的配置中的一个配置项 CELERY\_RESULT\_BACKEND ，作用是保存结果和状态，如果你需要跟踪任务的状态，那么需要设置这一项，可以是Database backend，也可以是Cache backend，具体可以参考这里： CELERY\_RESULT\_BACKEND 。

brokers，官方推荐是 rabbitmq 和 redis，至于 backend，就是数据库。为了简单可以都使用 redis。

这是在网上最多的一张Celery的图

![61474ad025b66cfecd048c2d8d295a8d.png][]

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。

1.消息中间件broker

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, MongoDB (experimental), Amazon SQS (experimental),CouchDB (experimental), SQLAlchemy (experimental),Django ORM (experimental), IronMQ

2.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。

3.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，memcached, mongodb，SQLAlchemy, Django ORM，Apache Cassandra, IronCache 等。

安装：

pip install redis

pip install celery

它的架构组成如下图：

![31349c82973914ea6d35afb783876a12.png][]

Celery 主要包含以下几个模块：

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任务队列，而定时任务由 Celery Beat 进程周期性地将任务发往任务队列。

消息中间件 Broker

Broker，即为任务调度队列，接收任务生产者发来的消息(即任务)，将任务存入队列。Celery 本身不提供队列服务，官方推荐使用 RabbitMQ 和 Redis 等。

任务执行单元 Worker

Worker 是执行任务的处理单元，它实时监控消息队列，获取队列中调度的任务，并执行它。

任务结果存储 Backend

Backend 用于存储任务的执行结果，以供查询。同消息中间件一样，存储也可使用 RabbitMQ, redis 和 MongoDB 等。

开始使用 Celery

使用celery包含三个方面：1. 定义任务函数。2. 运行celery服务。3. 客户应用程序的调用。

创建 Celery 实例

将下面的代码保存为文件 tasks.py：

\# -\*- coding: utf-8 -\*-import timefromcelery import Celery

broker= 'redis://127.0.0.1:6379'backend= 'redis://127.0.0.1:6379/0'app= Celery('my\_task', broker=broker, backend=backend)

@app.task

def add(x, y):

time.sleep(5) \# 模拟耗时操作return x + y

上面的代码做了几件事：

创建了一个 Celery 实例 app，名称为 my\_task；

指定消息中间件用 redis，URL 为 redis://127.0.0.1:6379；

指定存储用 redis，URL 为 redis://127.0.0.1:6379/0；

创建了一个 Celery 任务 add，当函数被 @app.task 装饰后，就成为可被 Celery 调度的任务；

启动 Celery Worker

在当前目录，使用如下方式启动 Celery Worker：

celery worker -A tasks --loglevel=info

其中：

参数 -A 指定了 Celery 实例的位置，本例是在 tasks.py 中，Celery 会自动在该文件中寻找 Celery 对象实例，当然，我们也可以自己指定，在本例，使用 -A tasks.app；

参数 --loglevel 指定了日志级别，默认为 warning，也可以使用 -l info 来表示；

在生产环境中，我们通常会使用 Supervisor 来控制 Celery Worker 进程。

启动成功后，控制台会显示如下输出：

![132359635d699426c65ea16e92c93c88.png][]

调用任务

现在，我们可以在应用程序中使用 delay() 或 apply\_async() 方法来调用任务。

在当前目录打开 Python 控制台，输入以下代码：

>>> fromtasks import add>>> add.delay(2, 8)

在上面，我们从 tasks.py 文件中导入了 add 任务对象，然后使用 delay() 方法将任务发送到消息中间件(Broker)，Celery Worker 进程监控到该任务后，就会进行执行。我们将窗口切换到 Worker 的启动窗口，会看到多了两条日志：

\[2016-12-10 12:00:50,376: INFO/MainProcess\] Received task: tasks.add\[2272ddce-8be5-493f-b5ff-35a0d9fe600f\]

\[2016-12-10 12:00:55,385: INFO/PoolWorker-4\] Task tasks.add\[2272ddce-8be5-493f-b5ff-35a0d9fe600f\] succeeded in 5.00642602402s: 10

这说明任务已经被调度并执行成功。

另外，我们如果想获取执行后的结果，可以这样做：

>>> result = add.delay(2, 6)>>>result.ready() \# 使用 ready() 判断任务是否执行完毕

False>>>result.ready()

True>>> result.get() \# 使用 get() 获取任务结果8

在上面，我们是在 Python 的环境中调用任务。事实上，我们通常在应用程序中调用任务。比如，将下面的代码保存为 client.py:

\# -\*- coding: utf-8 -\*-

fromtasks import add

\# 异步任务

add.delay(2, 8)

print'hello world'

运行命令 python client.py，可以看到，虽然任务函数 add 需要等待 5 秒才返回执行结果，但由于它是一个异步任务，不会阻塞当前的主程序，因此主程序会往下执行 print 语句，打印出结果。

使用配置

在上面的例子中，我们直接把 Broker 和 Backend 的配置写在了程序当中，更好的做法是将配置项统一写入到一个配置文件中，通常我们将该文件命名为 celeryconfig.py。Celery 的配置比较多，可以在官方文档查询每个配置项的含义。

下面，我们再看一个例子。项目结构如下：

celery\_demo \# 项目根目录

├── celery\_app \# 存放 celery 相关文件

│ ├── \_\_init\_\_.py

│ ├── celeryconfig.py \# 配置文件

│ ├── task1.py \# 任务文件1│ └── task2.py \# 任务文件2└── client.py \# 应用程序

\_\_init\_\_.py 代码如下：

\# -\*- coding: utf-8 -\*-

fromcelery import Celery

app= Celery('demo') \# 创建 Celery 实例

app.config\_from\_object('celery\_app.celeryconfig') \# 通过 Celery 实例加载配置模块

celeryconfig.py 代码如下：

BROKER\_URL = 'redis://127.0.0.1:6379'\# 指定 Broker

CELERY\_RESULT\_BACKEND= 'redis://127.0.0.1:6379/0'\# 指定 Backend

CELERY\_TIMEZONE='Asia/Shanghai'\# 指定时区，默认是 UTC

\# CELERY\_TIMEZONE='UTC'CELERY\_IMPORTS=( \# 指定导入的任务模块'celery\_app.task1','celery\_app.task2')

task1.py 代码如下：

import timefromcelery\_app import app

@app.task

def add(x, y):

time.sleep(2)return x + y

task2.py 代码如下：

import timefromcelery\_app import app

@app.task

def multiply(x, y):

time.sleep(2)return x \* y

client.py 代码如下：

\# -\*- coding: utf-8 -\*-

fromcelery\_app import task1fromcelery\_app import task2

task1.add.apply\_async(args=\[2, 8\]) \# 也可用 task1.add.delay(2, 8)

task2.multiply.apply\_async(args=\[3, 7\]) \# 也可用 task2.multiply.delay(3, 7)

print'hello world'

现在，让我们启动 Celery Worker 进程，在项目的根目录下执行下面命令：

celery -A celery\_app worker --loglevel=info

接着，运行 python client.py，它会发送两个异步任务到 Broker，在 Worker 的窗口我们可以看到如下输出：

\[2016-12-10 13:51:58,939: INFO/MainProcess\] Received task: celery\_app.task1.add\[9ccffad0-aca4-4875-84ce-0ccfce5a83aa\]

\[2016-12-10 13:51:58,941: INFO/MainProcess\] Received task: celery\_app.task2.multiply\[64b1f889-c892-4333-bd1d-ac667e677a8a\]

\[2016-12-10 13:52:00,948: INFO/PoolWorker-3\] Task celery\_app.task1.add\[9ccffad0-aca4-4875-84ce-0ccfce5a83aa\] succeeded in 2.00600231002s: 10\[2016-12-10 13:52:00,949: INFO/PoolWorker-4\] Task celery\_app.task2.multiply\[64b1f889-c892-4333-bd1d-ac667e677a8a\] succeeded in 2.00601326401s: 21

定时任务

Celery 除了可以执行异步任务，也支持执行周期性任务(Periodic Tasks)，或者说定时任务。Celery Beat 进程通过读取配置文件的内容，周期性地将定时任务发往任务队列。

让我们看看例子，项目结构如下：

celery\_demo \# 项目根目录

├── celery\_app \# 存放 celery 相关文件

├── \_\_init\_\_.py

├── celeryconfig.py \# 配置文件

├── task1.py \# 任务文件

└── task2.py \# 任务文件

\_\_init\_\_.py 代码如下：

\# -\*- coding: utf-8 -\*-

fromcelery import Celery

app= Celery('demo')

app.config\_from\_object('celery\_app.celeryconfig')

celeryconfig.py 代码如下：

\# -\*- coding: utf-8 -\*-

fromdatetime import timedeltafromcelery.schedules import crontab

\# Broker and Backend

BROKER\_URL= 'redis://127.0.0.1:6379'CELERY\_RESULT\_BACKEND= 'redis://127.0.0.1:6379/0'\# Timezone

CELERY\_TIMEZONE='Asia/Shanghai' \# 指定时区，不指定默认为 'UTC'\# CELERY\_TIMEZONE='UTC'\# import

CELERY\_IMPORTS=('celery\_app.task1','celery\_app.task2')

\# schedules

CELERYBEAT\_SCHEDULE=\{'add-every-30-seconds': \{'task': 'celery\_app.task1.add','schedule': timedelta(seconds=30), \# 每 30秒执行一次'args': (5, 8) \# 任务函数参数

\},'multiply-at-some-time': \{'task': 'celery\_app.task2.multiply','schedule': crontab(hour=9, minute=50), \# 每天早上 9 点 50分执行一次'args': (3, 7) \# 任务函数参数

task1.py 代码如下：

import timefromcelery\_app import app

@app.task

def add(x, y):

time.sleep(2)return x + y

task2.py 代码如下：

import timefromcelery\_app import app

@app.task

def multiply(x, y):

time.sleep(2)return x \* y

现在，让我们启动 Celery Worker 进程，在项目的根目录下执行下面命令：

celery -A celery\_app worker --loglevel=info

接着，启动 Celery Beat 进程，定时将任务发送到 Broker，在项目根目录下执行下面命令：

celery\_demo $ celery beat -A celery\_app

celery beat v4.0.1 (latentcall) isstarting.

\_\_- ... \_\_ -\_

LocalTime-> 2016-12-11 09:48:16Configuration->. broker-> redis://127.0.0.1:6379// . loader ->celery.loaders.app.AppLoader

. scheduler->celery.beat.PersistentScheduler

. db-> celerybeat-schedule

. logfile-> \[stderr\]@%WARNING

. maxinterval-> 5.00 minutes (300s)

之后，在 Worker 窗口我们可以看到，任务 task1 每 30 秒执行一次，而 task2 每天早上 9 点 50 分执行一次。

在上面，我们用两个命令启动了 Worker 进程和 Beat 进程，我们也可以将它们放在一个命令中：

$ celery -B -A celery\_app worker --loglevel=info

错误：Celery ValueError: not enough values to unpack (expected 3, got 0)

解决方案：

pip install eventlet

运行：celery -A worker -l info -P eventlet

如果不加上-P eventlet，否则还会报错

参考文章：https://blog.csdn.net/chenqiuge1984/article/details/80127446

[61474ad025b66cfecd048c2d8d295a8d.png]: /images/20221024/7bfa7d6630bd401abaa60d19cce444f4.png
[31349c82973914ea6d35afb783876a12.png]: /images/20221024/a70b56ffc9bb4f64ac67c66cfa80a6f8.png
[132359635d699426c65ea16e92c93c88.png]: /images/20221024/585aedf186904833a83774240803593a.png