java 分布式任务队列_Celery分布式任务队列的认识和基本操作

一、简单认识

Celery是由Python开发、简单、灵活、可靠的分布式任务队列，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。

它的特点有：

简单：熟悉了它的流程后，配置使用简单；

高可用：任务执行失败或执行过程中发生连接中断，Celery会自动重新执行任务；

快速：一个单进程的Celery每分钟可处理上百万个任务；

灵活：Celery的各个组件都可以被扩展及自定制；

应用场景举例：

1.web应用：用户在网站进行某个操作需要很长时间完成时，我们可以将这种操作交给Celery执行，直接返回给用户，等到Celery执行完成以后通知用户，大大提好网站并发及用户体验感。

2.任务场景：需要批量在几百台机器执行某些命令或者任务，Celery可以轻松搞定。

3.定时任务：向定时导数据报表、定时发送通知类似场景，Celery可以提供管理接口和丰富的API。

二、架构和工作原理

Celery由以下三部分构成：消息中间件(Broker)、任务执行单元(Worker)、结果存储(Backend):来个图

消息中间件(Broker):

消息中间件Broker支持RabbitMQ、Redis、MongoDB、Memcached 等，官方推荐RabbitMQ。

任务执行单元(Worker)

Worker是任务执行单元，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)

Backend结果存储官方也提供了诸多的存储方式支持：RabbitMQ、 Redis、Memcached,SQLAlchemy, Django ORM、Apache Cassandra、Elasticsearch。

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;

三、安装使用

Redis的安装：

Celery的安装：

一个简单的应用(Linux环境下)

注意：此时并没有将配置文件、任务文件及初始化文件分开，真的到应用环境中是要分开的，后面会提到；

创建一个文件目录：

mkdir /root/celery_study

在celery_study创建文件task.py

task.py：任务定义文件

#-*- coding:utf-8 -*-#@Author : Clint

from celery importCelery

app= Celery('task',

broker='redis://:123456@localhost:6379',

backend='redis://:123456@localhost:6379',

)

@app.taskdefadd(x, y):print("running...", x, y)return x + y

启动Worker

celery -A task worker --loglevel=info

各个参数含义：

worker: 代表第启动的角色是work当然还有beat等其他角色；

-A ：项目路径，这里我的目录是task；

-loglevel：启动的日志级别，有info、debug等，更多参数使用celery --help查看

任务队列已经准备就绪；

我们还需要通过delay或apply_async来将任务添加到worker中，这里我们通过交互式方法添加任务，并返回AsyncResult对象，通过AsyncResult对象获取结果：

AsyncResult除了get方法用于常用获取结果方法外还提以下常用方法或属性：

state: 返回任务状态；

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；

successfu(): 判断任务是否成功，成功为True，否则为False；