Django中celery的使用项目实例 Django中celery的使用项目实例

1、django应用Celery
2 、项目应用

1.异步任务redis
2.定时任务
3.任务绑定
4.任务钩子
5.任务编排
6、celery管理和监控

总结

1、django应用Celery django框架请求/响应的过程是同步的，框架本身无法实现异步响应。
但是我们在项目过程中会经常会遇到一些耗时的任务, 比如：发送邮件、发送短信、大数据统计等等，这些操作耗时长，同步执行对用户体验非常不友好，那么在这种情况下就需要实现异步执行。
异步执行前端一般使用ajax，后端使用Celery。

2 、项目应用 django项目应用celery，主要有两种任务方式，一是异步任务（发布者任务），一般是web请求，二是定时任务。
celery组成

Celery是由Python开发、简单、灵活、可靠的分布式任务队列，是一个处理异步任务的框架，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。特点：
简单：熟悉celery的工作流程后，配置使用简单
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
快速：一个单进程的celery每分钟可处理上百万个任务
灵活：几乎celery的各个组件都可以被扩展及自定制
Celery由三部分构成：
消息中间件(Broker)：官方提供了很多备选方案，支持RabbitMQ、Redis、Amazon SQS、MongoDB、Memcached 等，官方推荐RabbitMQ
任务执行单元(Worker)：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)：官方提供了诸多的存储方式支持：RabbitMQ、 Redis、Memcached,SQLAlchemy, Django ORM、Apache Cassandra、Elasticsearch等
架构如下：

文章图片

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;

本文使用的是redis数据库作为消息中间件和结果存储数据库

1.异步任务redis
1.安装库

pip install celerypip install redis

2.celery.py
在主项目目录下，新建 celery.py 文件：

import osimport djangofrom celery import Celeryfrom django.conf import settings # 设置系统环境变量，安装django，必须设置，否则在启动celery时会报错# celery_study 是当前项目名os.environ.setdefault('DJANGO_SETTINGS_MODULE', 'celery_study.settings')django.setup() celery_app = Celery('celery_study')celery_app.config_from_object('django.conf:settings')celery_app.autodiscover_tasks(lambda: settings.INSTALLED_APPS)

文章图片

注意：是和settings.py文件同目录，一定不能建立在项目根目录，不然会引起 celery 这个模块名的命名冲突
同时，在主项目的init.py中，添加如下代码：

from .celery import celery_app __all__ = ['celery_app']

【Django中celery的使用项目实例】

文章图片

3.settings.py
在配置文件中配置对应的redis配置：

# Broker配置，使用Redis作为消息中间件BROKER_URL = 'redis://127.0.0.1:6379/0' # BACKEND配置，这里使用redisCELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/0' # 结果序列化方案CELERY_RESULT_SERIALIZER = 'json' # 任务结果过期时间，秒CELERY_TASK_RESULT_EXPIRES = 60 * 60 * 24 # 时区配置CELERY_TIMEZONE='Asia/Shanghai' # 指定导入的任务模块，可以指定多个#CELERY_IMPORTS = (#'other_dir.tasks',#)

文章图片

注意：所有配置的官方文档：Configuration and defaults — Celery 5.2.0b3 documentation
4.tasks.py
在子应用下建立各自对应的任务文件tasks.py(必须是tasks.py这个名字，不允许修改)

from celery import shared_task @shared_taskdef add(x, y):return x + y @shared_taskdef mul(x, y):return x * y @shared_taskdef xsum(numbers):return sum(numbers)

文章图片

5.调用任务

from .tasks import *# Create your views here. def task_add_view(request):add.delay(100,200)return HttpResponse(f'调用函数结果')

文章图片

文章图片

6.启动celery

pip install eventlet

celery-A celery_study worker-l debug -P eventlet

注意：celery_study是项目名
使用redis时，有可能会出现如下类似的异常

AttributeError: 'str' object has no attribute 'items'

这是由于版本差异，需要卸载已经安装的python环境中的 redis 库，重新指定安装特定版本（celery4.x以下适用 redis2.10.6， celery4.3以上使用redis3.2.0以上）：

xxxxxxxxxx pip install redis==2.10.6

7.获取任务结果
在 views.py 中，通过 AsyncResult.get() 获取结果

from celery import resultdef get_result_by_taskid(request):task_id = request.GET.get('task_id') # 异步执行ar = result.AsyncResult(task_id) if ar.ready():return JsonResponse({'status': ar.state, 'result': ar.get()})else:return JsonResponse({'status': ar.state, 'result': ''})

文章图片

AsyncResult类的常用的属性和方法：

state: 返回任务状态，等同status；
task_id: 返回任务id；
result: 返回任务结果，同get()方法；
ready(): 判断任务是否执行以及有结果，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；
successful(): 判断任务是否成功，成功为True，否则为False；

2.定时任务
在第一步的异步任务的基础上，进行部分修改即可
1.settings.py

from celery.schedules import crontab CELERYBEAT_SCHEDULE = {'mul_every_30_seconds': {# 任务路径'task': 'celery_app.tasks.mul',# 每30秒执行一次'schedule': 5,'args': (14, 5)}}

文章图片

说明（更多内容见文档：Periodic Tasks — Celery 5.2.0b3 documentation）：

task：任务函数
schedule：执行频率，可以是整型（秒数），也可以是timedelta对象，也可以是crontab对象，也可以是自定义类（继承celery.schedules.schedule）
args：位置参数，列表或元组
kwargs：关键字参数，字典
options：可选参数，字典，任何 apply_async() 支持的参数
relative：默认是False，取相对于beat的开始时间；设置为True，则取设置的timedelta时间

在task.py中设置了日志

from celery import shared_taskimport logginglogger = logging.getLogger(__name__)) @shared_taskdef mul(x, y):logger.info('___mul__'*10)return x * y

2.启动celery
(两个cmd)分别启动worker和beat

celery -A worker celery_study -l debug -P eventletcelery beat -A celery_study -l debug

3.任务绑定
Celery可通过task绑定到实例获取到task的上下文，这样我们可以在task运行时候获取到task的状态，记录相关日志等
方法：

在装饰器中加入参数 bind=True
在task函数中的第一个参数设置为self

在task.py 里面写

from celery import shared_taskimport logginglogger = logging.getLogger(__name__) # 任务绑定@shared_task(bind=True)def add(self,x, y):logger.info('add__-----'*10)logger.info('name:',self.name)logger.info('dir(self)',dir(self))return x + y

其中：self对象是celery.app.task.Task的实例，可以用于实现重试等多种功能

from celery import shared_taskimport logginglogger = logging.getLogger(__name__) # 任务绑定@shared_task(bind=True)def add(self,x, y):try:logger.info('add__-----'*10)logger.info('name:',self.name)logger.info('dir(self)',dir(self))raise Exceptionexcept Exception as e:# 出错每4秒尝试一次，总共尝试4次self.retry(exc=e, countdown=4, max_retries=4)return x + y

启动celery

celery -A worker celery_study -l debug -P eventlet

4.任务钩子
Celery在执行任务时，提供了钩子方法用于在任务执行完成时候进行对应的操作，在Task源码中提供了很多状态钩子函数如：on_success(成功后执行)、on_failure(失败时候执行)、on_retry(任务重试时候执行)、after_return(任务返回时候执行)
方法：通过继承Task类，重写对应方法即可，

from celery import Task class MyHookTask(Task): def on_success(self, retval, task_id, args, kwargs):logger.info(f'task id:{task_id} , arg:{args} , successful !') def on_failure(self, exc, task_id, args, kwargs, einfo):logger.info(f'task id:{task_id} , arg:{args} , failed ! erros: {exc}') def on_retry(self, exc, task_id, args, kwargs, einfo):logger.info(f'task id:{task_id} , arg:{args} , retry !erros: {exc}') # 在对应的task函数的装饰器中，通过 base=MyHookTask 指定@shared_task(base=MyHookTask, bind=True)def add(self,x, y):logger.info('add__-----'*10)logger.info('name:',self.name)logger.info('dir(self)',dir(self))return x + y

启动celery

celery -A worker celery_study -l debug -P eventlet

5.任务编排
在很多情况下，一个任务需要由多个子任务或者一个任务需要很多步骤才能完成，Celery也能实现这样的任务，完成这类型的任务通过以下模块完成：

group: 并行调度任务
chain: 链式任务调度
chord: 类似group，但分header和body2个部分，header可以是一个group任务，执行完成后调用body的任务
map: 映射调度，通过输入多个入参来多次调度同一个任务
starmap: 类似map，入参类似＊args
chunks: 将任务按照一定数量进行分组

文档：Next Steps — Celery 5.2.0b3 documentation
1.group
urls.py:

path('primitive/', views.test_primitive),

views.py：

from .tasks import *from celery import group def test_primitive(request):# 创建10个并列的任务lazy_group = group(add.s(i, i) for i in range(10))promise = lazy_group()result = promise.get()return JsonResponse({'function': 'test_primitive', 'result': result})

说明：
通过task函数的 s 方法传入参数，启动任务
上面这种方法需要进行等待，如果依然想实现异步的方式，那么就必须在tasks.py中新建一个task方法，调用group，示例如下：
tasks.py：

@shared_taskdef group_task(num):return group(add.s(i, i) for i in range(num))().get()

urls.py：

path('first_group/', views.first_group),

views.py:

def first_group(request):ar = tasks.group_task.delay(10) return HttpResponse('返回first_group任务，task_id:' + ar.task_id)

2.chain
默认上一个任务的结果作为下一个任务的第一个参数

def test_primitive(request):# 等同调用mul(add(add(2, 2), 5), 8)promise = chain(tasks.add.s(2, 2), tasks.add.s(5), tasks.mul.s(8))()#72result = promise.get()return JsonResponse({'function': 'test_primitive', 'result': result})

3.chord
任务分割，分为header和body两部分，hearder任务执行完在执行body，其中hearder返回结果作为参数传递给body

def test_primitive(request):# header：[3, 12] # body: xsum([3, 12])promise = chord(header=[tasks.add.s(1,2),tasks.mul.s(3,4)],body=tasks.xsum.s())()result = promise.get()return JsonResponse({'function': 'test_primitive', 'result': result})

6、celery管理和监控
celery通过flower组件实现管理和监控功能，flower组件不仅仅提供监控功能，还提供HTTP API可实现对woker和task的管理
官网：flower · PyPI
文档：Flower - Celery monitoring tool — Flower 1.0.1 documentation
安装flower