gpt4 book ai didi

celery笔记一之celery介绍、启动和运行结果跟踪

转载 作者:我是一只小鸟 更新时间:2023-06-02 06:31:18 30 4
gpt4 key购买 nike

本文首发于公众号:Hunter后端 原文链接: celery笔记一之celery介绍、启动和运行结果跟踪 。

本篇笔记内容如下:

  1. celery 介绍
  2. celery 准备
  3. celery 启动和异步任务的运行
  4. 运行结果跟踪

1、celery 介绍

celery 大致有两种应用场景,一种是异步任务,一种是定时任务.

比如说在一个接口请求中,某个函数执行所需的时间过长,而前端页面并不是立刻需要在接口中获取处理结果,可以将这个函数作为异步任务,先返回给前端处理中的信息,在后台单独运行这个函数,这就是异步任务.

另一个比如说某个函数需要每天晚上运行一遍,不可能人天天守着后台手动执行一遍这个函数,那么就可以用 celery 来实现这个定时的周期任务.

接下来介绍一下 celery 的组成:

task 。

这个任务就是我们前面举的例子的异步任务或者是定时任务,即为 task,我们可以定义这些任务,然后发送到 broker 。

broker 。

broker 可以理解成消息中间件,用于获取异步或者定时任务,形成一个或多个消息队列,然后发送给 worker 处理这些消息 。

broker 的形式可以是 Redis,RabbitMQ 或者其他,这里我们使用 Redis 作为消息中间件 。

worker 。

worker 是处理消息的程序,获取 broker 中的消息,然后在 worker 中执行,然后根据配置决定将处理结果发送到 backend 。

result_backend 。

在 worker 处理完消息之后会有 return 或者没有返回结果,都会根据配置将结果发送出来,可以配置成发送到 redis 中,也可以将之存储到 database 中 。

beat 。

主要用于调用定时任务,根据设定好的定时任务,比如每天晚上十点执行某个函数,beat 则会在相应的时间将这个 task 发送给 broker,然后 worker 获取任务进行处理 。

定时任务除了说的每天晚上十点这种周期任务,也可以是间隔任务,比如说每隔多少秒,多少分钟执行一次 。

注意 :异步任务的发送是不经过 beat 处理,直接发送给 broker 的 。

在上面的结构中,broker 需要将相应的服务比如 redis 运行起来,而 worker 和 beat 需要在手动用程序运行,而且每次更改了定时策略之后需要重新启动 beat 和 worker 才能生效.

2、celery 准备

接下来我们实现一个最简单的异步任务,在执行异步任务前,我们做如下的准备工作 。

1.安装依赖

我们需要安装一下 celery 和 redis 的依赖:

                        
                          pip3 install celery==5.1.2 -i https://mirrors.aliyun.com/pypi/simple/
pip3 install redis==3.5.3 -i https://mirrors.aliyun.com/pypi/simple/

                        
                      

2.消息中间件

这里我们用到的消息中间件是 redis,可以去官网下载一个 redis 启动,也可以使用 docker 来执行安装.

我在之前的 docker 系列笔记中有介绍过如何拉取镜像和运行容器,我们这里直接使用 docker 来运行:

                        
                          docker run -itd -p 6379:6379 redis:latest

                        
                      

3.异步任务准备

我们准备一个最简单的 add() 函数,放在 tasks.py 文件中:

                        
                          # tasks.py
from celery import Celery

app = Celery('tasks', broker='redis://localhost/0', backend='redis://localhost/1')

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

                        
                      

在这段代码里,我们引入 Celery 模块,并将其实例化为 app,且配置了 broker 参数,表示消息队列都会被放在 redis 的第一个数据库下 。

指定的 backend 参数则表示函数运行的结果被放在 redis 的第二个数据库下 。

然后用 @app.task 修饰 add 函数,表示它是 app 下的 task 任务 。

以上,我们的准备工作就完成了,接下来尝试运行这个异步任务 。

3、celery 启动和异步任务的运行

说是 celery 的启动,其实是 worker 的启动,中间件是 redis,已经在前面的步骤中启动了.

我们在 tasks.py 所在的文件夹下执行下面的命令:

                        
                          celery -A tasks worker -l INFO

                        
                      

在这里,tasks 是我们任务所在的文件名,worker 表示启动的是 worker 程序 。

-l INFO 则会在控制台打印出 worker 接收到的消息详情,如果不执行,则信息流不会被打印出来 。

执行了上面的程序后,可以看到控制台会输出下面这种信息:

                        
                          
 -------------- celery@localhost v5.1.2 (sun-harmonics)
--- ***** ----- 
-- ******* ---- Darwin-21.4.0-x86_64-i386-64bit 2022-07-17 23:56:09
- *** --- * --- 
- ** ---------- [config]
- ** ---------- .> app:         tasks:0x7fc8ddf3df98
- ** ---------- .> transport:   redis://localhost:6379/0
- ** ---------- .> results:     disabled://
- *** --- * --- .> concurrency: 12 (prefork)
-- ******* ---- .> task events: OFF (enable -E to monitor tasks in this worker)
--- ***** ----- 
 -------------- [queues]
                .> celery           exchange=celery(direct) key=celery
                

[tasks]
  . tasks.add

[2022-07-17 23:56:09,685: INFO/MainProcess] Connected to redis://localhost:6379/0
[2022-07-17 23:56:09,699: INFO/MainProcess] mingle: searching for neighbors
[2022-07-17 23:56:10,737: INFO/MainProcess] mingle: all alone
[2022-07-17 23:56:10,780: INFO/MainProcess] celery@localhost ready.


                        
                      

则表示 worker 启动成功 。

执行异步任务 。

在另一个 shell 窗口,进入 python 的交互界面,输入以下命令:

                        
                          from tasks import add
res = add.delay(1,2)

                        
                      

add 是我们需要执行的异步任务的函数名 。

delay 是异步任务执行的特有方法,这个其实是 apply_async() 函数的简便写法,不带任何参数,apply_async() 除了可以实现异步任务的功能,还可以指定多少时间后执行,比如说二十秒后执行,这个在后面的笔记中我们再介绍.

而异步任务的返回我们这里用 res 来定义,它是一个包含了这个任务所有执行信息对象,有任务状态(是否执行成功),有返回结果(add() 函数的return),还有这个 task 特有的标识 id等信息 。

至此,我们的一个异步任务的执行就完成了,我们可以在下一步查看它的运行结果等信息.

4、运行结果跟踪

接下来,我们在 tasks.py 中建立下面几个函数,来测试我们对结果的跟踪:

                        
                          # tasks.py

import time
from celery import Celery

app = Celery('tasks', broker='redis://localhost/0', backend='redis://localhost/1')


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


@app.task
def div(x, y):
    return x / y


@app.task
def test_not_finished():
    time.sleep(30)
    return True

                        
                      

然后重新运行 worker:

                        
                          celery -A tasks worker -l INFO

                        
                      

然后引入和执行函数:

                        
                          from tasks import add, div, test_not_finished

                        
                      

获取延时任务的结果 。

                        
                          res = add.delay(1, 2)
print(res.result)

# 也可以使用 get() 
print(res.get())

                        
                      

get() 函数也可以加个超时的设置:

                        
                          res.get(timeout=2)

                        
                      

但是这样需要注意,因为如果超时了还未获取到结果,程序就会报错 。

判断函数运行是否完成 。

                        
                          print(res.ready())

                        
                      

打印出的结果为 True 则表示函数运行完成 。

我们可以测试函数为完成的状态:

                        
                          res2 = test_not_finished.delay()

                        
                      

在这个函数里,我们设置了 30s 的休眠,所以在 30s 內我们打印结果可以看到 res2.ready() 是为 False 的:

                        
                          print(res2.ready())

                        
                      

获取task id 。

每个被执行的 task 都有各自对应的 id 作为它们的唯一键:

                        
                          print(res.id)

                        
                      

查看任务执行的状态 。

                        
                          # 任务执行是否失败,返回 布尔型数据
is_failed = res.failed()

# 任务执行是否成功,返回布尔型数据
is_successful = res.successful()

# 执行的任务所处的状态
state = res.state
# state 的值会在 PENDING,STARTED,SUCCESS,RETRY,FAILURE 这几种状态中,分别是 待处理中,任务已经开始,成功,重试中,失败

                        
                      

报错处理 。

如果执行的延时任务在程序中报错,比如我们定义的 div() 函数,我们传入的除数为 0 的话,在程序中是会报错的,我们使用 get() 来获取结果的话程序是会报错的:

                        
                          res3 = div.delay(3, 0)
res3.get()

# 返回会报错

                        
                      

但是我们可以使用 propagate=False 参数来忽略程序的报错

                        
                          res3.get(propagate=False)

                        
                      

这样我们获取的就不是程序报错,而是程序报错的信息作为结果返回 。

使用 res3.state 发现返回的结果是 FAILURE 。

当延时任务在程序中报错,它的返回值就不会是正确的,我们可以通过 res3.traceback 是否有值来判断函数运行过程中是有报错:

                        
                          if res3.traceback:
    print("延时任务报错")
else:
    print("程序正常运行,可以获取返回值")

                        
                      

result资源释放 。

因为 backend 会使用资源来保存和传输结果,为了确保资源被释放,所以在执行完异步任务后,你必须对每一个结果调用 get() 或者 forget() 函数 。

result.get() 函数获取结果 。

result.forget() 在 backend 删掉该数据 。

在官方文档上,意思是 get() 和 forget() 方法都可以释放资源,但是经过我测试,貌似只有 forget() 函数会释放资源 。

查看是否资源被释放也很简单,登录到对应的 backend,我这里是 redis,使用 redis-cli 或者通过 docker 进入 redis:

                        
                          select 1

keys*

                        
                      

查看相应的 task id 是否还在列表就可以知道该资源是否被释放 。

如果不想手动释放资源,可以在配置里设置一个过期时间,那么结果就会在指定时间段后被释放:

                        
                          app.conf.update(result_expires=60)

                        
                      

这个我们可以在后面的配置里再详细介绍.

以上就是本篇笔记全部内容,下一篇笔记我们将介绍如何建立一个 celery 项目、配置的几种方法及一些基本的配置.

如果想获取更多后端相关文章,可扫码关注阅读:

最后此篇关于celery笔记一之celery介绍、启动和运行结果跟踪的文章就讲到这里了,如果你想了解更多关于celery笔记一之celery介绍、启动和运行结果跟踪的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

30 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com