目录
一、Celery 对象解析
二、创建异步任务的方法 task
三、调用异步任务的三种方法
四、获取任务结果和状态
五、Celery 使用案例
一、Celery 对象解析
我们先来看一下 Celery 的初始化方法：
class Celery(object):
def __init__(self, main=None, loader=None, backend=None,
amqp=None, events=None, log=None, control=None,
set_as_current=True, accept_magic_kwargs=False,
tasks=None, broker=None, include=None, changes=None,
config_source=None, fixups=None, task_cls=None,
autofinalize=True, **kwargs):
常用的需要配置的参数：
这些参数都是 celery 实例化的配置，我们也可以不写，可以使用config_from_object方法加载配置；
main : 如果作为__main__运行，则为主模块的名称。用作自动生成的任务名称的前缀
loader : 当前加载器实例。
backend : 任务结果url；
amqp : AMQP对象或类名，一般不管；
log : 日志对象或类名；
set_as_current : 将本实例设为全局当前应用
tasks : 任务注册表。
broker : 使用的默认代理的URL,任务队列；
include : 每个worker应该导入的模块列表，以实例创建的模块的目录作为起始路径；
二、创建异步任务的方法 task
任何被 task 修饰的方法都会被创建一个 Task 对象，变成一个可序列化并发送到远程服务器的任务；它有多种修饰方式：
方式一：使用默认的参数
@celery.task
def function_name():
pass
方式二：指定相关参数
@celery.task(bind=True, name='name')
def function_name():
pass
# task方法参数
name : 可以显式指定任务的名字；默认是模块的命名空间中本函数的名字。
serializer : 指定本任务的序列化的方法；
bind : 一个bool值，设置是否绑定一个task的实例，如果绑定，task实例会作为参数传递到任务方法中，可以访问task实例的所有的属性，即前面反序列化中那些属性
base : 定义任务的基类，可以以此来定义回调函数，默认是Task类，我们也可以定义自己的Task类
default_retry_delay : 设置该任务重试的延迟时间，当任务执行失败后，会自动重试，单位是秒，默认3分钟；
autoretry_for : 设置在特定异常时重试任务，默认False即不重试；
retry_backoff : 默认False，设置重试时的延迟时间间隔策略；
retry_backoff_max : 设置最大延迟重试时间，默认10分钟，如果失败则不再重试；
retry_jitter : 默认True，即引入抖动，避免重试任务集中执行；
# 当bind=True时，add函数第一个参数是self，指的是task实例
@task(bind=True) # 第一个参数是self，使用self.request访问相关的属性
def add(self, x, y):
try:
logger.info(self.request.id)
except:
self.retry() # 当任务失败则进行重试，也可以通过max_retries属性来指定最大重试次数
方式三：自定义Task基类
import celery
class MyTask(celery.Task):
# 任务失败时执行
def on_failure(self, exc, task_id, args, kwargs, einfo):
print('{0!r} failed: {1!r}'.format(task_id, exc))
# 任务成功时执行
def on_success(self, retval, task_id, args, kwargs):
pass
# 任务重试时执行
def on_retry(self, exc, task_id, args, kwargs, einfo):
pass
@task(base=MyTask)
def add(x, y):
raise KeyError()
# 方法相关的参数
exc : 失败时的错误的类型；
task_id : 任务的id；
args : 任务函数的参数；
kwargs : 键值对参数；
einfo : 失败或重试时的异常详细信息；
retval : 任务成功执行的返回值；
Task的常用属性
Task.name : 任务名称；
Task.request : 当前任务的信息；
Task.max_retries : 设置重试的最大次数
Task.throws : 预期错误类的可选元组，不应被视为实际错误，而是结果失败；
Task.rate_limit : 设置此任务类型的速率限制
Task.time_limit : 此任务的硬限时（以秒为单位）。
Task.ignore_result : 不存储任务状态。默认False；
Task.store_errors_even_if_ignored : 如果True，即使任务配置为忽略结果，也会存储错误。
Task.serializer : 标识要使用的默认序列化方法的字符串。
Task.compression : 标识要使用的默认压缩方案的字符串。默认为task_compression设置。
Task.backend : 指定该任务的结果存储后端用于此任务。
Task.acks_late : 如果设置True为此任务的消息将在任务执行后确认 ，而不是在执行任务之前（默认行为），即默认任务执行之前就会发送确认；
Task.track_started : 如果True任务在工作人员执行任务时将其状态报告为“已启动”。默认是False；
三、调用异步任务的三种方法
调用异步任务的三个方法分别是：
# 方法一：这是apply_async方法的别名,但接受的参数较为简单；
task.delay()
# 方法二：可以接受复杂的参数
task.apply_async(args=[arg1, arg2], kwargs={key:value, key:value})
# 方法三：可以发送未被注册的异步任务，即没有被celery.task装饰的任务；
send_task()
方法一：app.send_task
注意： send_task 在发送的时候是不会检查 tasks.add 函数是否存在的，即使为空也会发送成功，所以 celery 执行是可能找不到该函数报错；
# File_name：tasks.py
from celery import Celery
app = Celery()
def add(x, y):
return x+y
app.send_task('tasks.add',args=[3,4]) # 参数基本和apply_async函数一样
方法二：Task.delay
delay 方法是 apply_async 方法的简化版，不支持执行选项，只能传递任务的参数。
from celery import Celery
app = Celery()
@app.task
def add(x, y, z=0):
return x + y
add.delay(30, 40, z=5) # 包括位置参数和关键字参数
方法三：Task.apply_async
apply_async 支持执行选项，它会覆盖全局的默认参数和定义该任务时指定的执行选项，本质上还是调用了 send_task 方法；
from celery import Celery
app = Celery()
@app.task
def add(x, y, z=0):
return x + y
add.apply_async(args=[30,40], kwargs={'z':5})
# 其他参数
task_id : 为任务分配唯一id，默认是uuid;
countdown : 设置该任务等待一段时间再执行，单位为s；
eta : 定义任务的开始时间；eta=time.time()+10;
expires : 设置任务时间，任务在过期时间后还没有执行则被丢弃；
retry : 如果任务失败后, 是否重试;使用true或false，默认为true
shadow : 重新指定任务的名字str，覆盖其在日志中使用的任务名称；
retry_policy : {},重试策略.如下：
----max_retries : 最大重试次数, 默认为 3 次.
----interval_start : 重试等待的时间间隔秒数, 默认为 0 , 表示直接重试不等待.
----interval_step : 每次重试让重试间隔增加的秒数, 可以是数字或浮点数, 默认为 0.2
----interval_max : 重试间隔最大的秒数, 即 通过 interval_step 增大到多少秒之后, 就不在增加了, 可以是数字或者浮点数, 默认为 0.2 .
routing_key : 自定义路由键；
queue : 指定发送到哪个队列；
exchange : 指定发送到哪个交换机；
priority : 任务队列的优先级，0到255之间，对于rabbitmq来说0是最高优先级；
serializer :任务序列化方法；通常不设置；
compression : 压缩方案，通常有zlib, bzip2
headers : 为任务添加额外的消息；
link : 任务成功执行后的回调方法；是一个signature对象；可以用作关联任务；
link_error : 任务失败后的回调方法，是一个signature对象；
# 其他参数参考用法如下：
add.apply_async((2, 2), retry=True, retry_policy={
'max_retries': 3,
'interval_start': 0,
'interval_step': 0.2,
'interval_max': 0.2,
})
自定义发布者、交换机、路由键、队列、优先级、序列方案和压缩方法：
task.apply_async((2,2),
compression='zlib',
serialize='json',
queue='priority.high',
routing_key='web.add',
priority=0,
exchange='web_exchange')
四、获取任务结果和状态
由于 celery 发送的都是去其他进程执行的任务，如果需要在客户端监控任务的状态，有如下方法：
r = task.apply_async()
r.ready() # 查看任务状态，返回布尔值, 任务执行完成, 返回 True, 否则返回 False.
r.wait() # 会阻塞等待任务完成, 返回任务执行结果，很少使用；
r.get(timeout=1) # 获取任务执行结果，可以设置等待时间，如果超时但任务未完成返回None；
r.result # 任务执行结果，未完成返回None；
r.state # PENDING, START, SUCCESS，任务当前的状态
r.status # PENDING, START, SUCCESS，任务当前的状态
r.successful # 任务成功返回true
r.traceback # 如果任务抛出了一个异常，可以获取原始的回溯信息
但是一般业务中很少用到，因为获取任务执行的结果需要阻塞，celery使用场景一般是不关心结果的。
五、Celery 使用案例
# seting.py
# 设置配置
BROKER_URL = 'amqp://username:password@localhost:5672/yourvhost'
CELERY_RESULT_BACKEND = 'redis://localhost:6379/0'
CELERY_TASK_SERIALIZER = 'msgpack'
CELERY_RESULT_SERIALIZER = 'msgpack'
CELERY_TASK_RESULT_EXPIRES = 60 * 60 * 24
CELERY_ACCEPT_CONTENT = ["msgpack"]
CELERY_DEFAULT_QUEUE = "default"
CELERY_QUEUES = {
"default": { # 这是上面指定的默认队列
"exchange": "default",
"exchange_type": "direct",
"routing_key": "default"
}
}
# app.py --- 初始化celery对象
from celery import Celery
import seting
from task import test_one, test_two
celery = Celery(__name__, include=["task"]) # 设置需要导入的模块
# 引入配置文件
celery.config_from_object(seting)
if __name__ == '__main__':
test_one.apply_async((2,2),
routing_key='default',
priority=0,
exchange='default')
# task.py --- 定义需要执行的任务
from app import celery
@celery.task
def test_one(x, y):
return x + y
@celery.task(name="one_name")
def test_two(x, y):
return x * y
————————————————
版权声明：本文为CSDN博主「Nick Peng」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/PY0312/article/details/105906078