AI智能
改变未来

Python中任务队列-芹菜celery的使用


一、关于celery

芹菜celery是一个python实现的异步任务队列,可以用于爬虫、web后台查询、计算等等。通过任务队列,当一个任务来临时不再傻傻等待。

他的架构如下:

  • Broker

我们的生产者创建任务后会进入celery的任务调度队列中间件Broker,Broker通过调度规则将消息(任务)调度消息队列,Broker依赖第三方队列消息代理如

rabbitmq

redis

等。

  • Worker

广大劳动者,盯着消息队列,当队列中有消息时把它拿过来给处理了。

  • Backend

用于结果存储经worker处理的结果,比如常用的数据库等。

#### 使用celery

在本文中咱们使用

rabbitmq

(celery推荐)作为消息代理中间件。

我们创建的celery目录如下

learn_celery/...celery_env/...celery.py...my_task1.py...my_task2.py...task1_run.py...task2_run.py
1. 创建虚拟环境并安装celery、flower(web监控),这里不做赘述。
2.安装咱们的消息队列中间件

rabbitmq

这里以docker的方式运行并配置,指定主机名为

rabbit

(rabbitmq是以主机名来访问的,所以这是必须的),容器名称为

celery_rabbitmq

docker run -d -p 5672:5672 -h rabbit --name celery_rabbitmq rabbitmq

添加用于celery访问的用户,以及配置

configure

write

read

权限,在下面我们配置rabbit_user拥有所有配置、写入和读取权限。

docker exec -it celery_rabbitmq rabbitmqctl add_user rabbit_user rabbit_passdocker exec -it celery_rabbitmq rabbitmqctl add_vhost rabbit_vhostdocker exec -it celery_rabbitmq rabbitmqctl set_user_tags rabbit_user celerydocker exec -it celery_rabbitmq rabbitmqctl  set_permissions -p rabbit_vhost rabbit_user ".*" ".*" ".*"
3.创建celery应用
#celery.pyfrom celery import Celerybroker_rabbitmq="amqp://rabbit_user:rabbit_pass@i-k9pwet2d/rabbit_vhost"app=Celery("learn_celery",broker=broker_rabbitmq,backend="rpc://",include=["learn_celery.my_task2","learn_celery.my_task2"])

我们通过创建app来实例化Celery,项目包的名称为

learn_celery

,通过

broker_rabbitmq

来连接rabbitmq,rabbitmq的amqp协议格式为

amqp://userid:password@hostname:port/virtual_host

由于我们是在docker中启动的rabbitmq,所以我们的hostname应该为宿主机的hostname。

指定后端通过rpc回传数据,include加载带worker处理的任务

learn_celery.my_task1

learn_celery.my_task2

4.创建两个任务(消息)
#my_task1.pyfrom .celery import appimport time@app.taskdef args_add1(x,y):print("start task no.1 now!")time.sleep(10)print("task no.1 end!")return x+y#my_task12.pyfrom .celery import appimport time@app.taskdef args_add2(x,y):print("start task no.2 now!")time.sleep(20)print("task no.2 end!")return x+y

在这里我们导入了celery中的app,并用它来装饰我们的方法

args_add

,在args_add中模拟任务处理时间分别为10s、20s然后返回结果。

5.发送任务给celery
#tasks1_run.pyfrom .my_task1 import args_add1import timereslut=args_add1.delay(11,22)print("task over?{}".format(reslut.ready()))print("task reslut:{}".format(reslut.result))time.sleep(15)print("task over?{}".format(reslut.ready()))print("task reslut:{}".format(reslut.result))#tasks2_run.pyfrom .my_task2 import args_add2import timereslut=args_add2.delay(33,44)print("task over?{}".format(reslut.ready()))print("task reslut:{}".format(reslut.result))time.sleep(25)print("task over?{}".format(reslut.ready()))print("task reslut:{}".format(reslut.result))

关于任务的

delay

,官方文档(参考)是这样描述的,我把它理解为发送任务给celery或者celery调用待进来的任务。

reslut.ready()

返回任务执行是否执行完成

True

or

False

reslut.result

返回任务执行结果

我们在任务进入celery和结束分别检查一次。

二、看看结果

1.启动worker

进入learn_celery的父目录。启动learn_celery的这个应用worker,并指定并发数为10个

celery -A learn_celery worker --loglevel=info --concurrency=10

若celery连接rabbitmq正常,我们可以看到如下的info

2.执行任务

为了便于观察,我们另外开启一个窗口2,到learn_celery父目录运行task1_run模块

python -m learn_celery.tasks1_run

开启窗口3,到learn_celery父目录运行task2_run模块

python -m learn_celery.tasks2_run

可以看到经过各自任务的等待时间后,两个任务都顺利执行结束,并得到结果,接下来我们到worker上看一下info

由于celery的并发性,收到任务马上被调入执行,任务1耗时10s结果为33,任务2耗时20s结果为77

三、使用Flower监控celery

1.启动flower
celery -A learn_celery flower
2. 查看web监控 http://ip:5555

Tasks

中可以查看到当前任务队列的状态、参数、接收和启动、执行时间。

Dashborad

中查看当前worker节点的相关信息

文章有不足的地方欢迎指出。

欢迎收藏、点赞、提问。关注顶级饮水机管理员,除了管烧热水,有时还做点别的。

NEXT

  • celery的深入了解

  • celery在django中的使用

赞(0) 打赏
未经允许不得转载:爱站程序员基地 » Python中任务队列-芹菜celery的使用