前段时间在django web平台开发中，碰到一些请求执行的任务时间较长（几分钟），为了加快用户的响应时间，因此决定采用异步任务的方式在后台执行这些任务。在同事的指引下接触了celery这个异步任务队列框架，鉴于网上关于celery和django结合的文档较少，大部分也只是粗粗介绍了大概的流程，在实践过程中还是遇到了不少坑，希望记录下来帮助有需要的朋友。
一、django中的异步请求
django web中从一个http请求发起，到获得响应返回html页面的流程大致如下：http请求发起 -- http handling（request解析） -- url mapping（url正则匹配找到对应的view） -- 在view中进行逻辑的处理、数据计算（包括调用model类进行数据库的增删改查）--将数据推送到template，返回对应的template/response。
图1. django架构总览
同步请求：所有逻辑处理、数据计算任务在view中处理完毕后返回response。在view处理任务时用户处于等待状态，直到页面返回结果。
异步请求：view中先返回response，再在后台处理任务。用户无需等待，可以继续浏览网站。当任务处理完成时，我们可以再告知用户。
二、关于celery
celery是基于python开发的一个分布式任务队列框架，支持使用任务队列的方式在分布的机器/进程/线程上执行任务调度。
图2. celery架构
图2展示的是celery的架构，它采用典型的生产生-消费者模式，主要由三部分组成：broker（消息队列）、workers（消费者：处理任务）、backend（存储结果）。实际应用中，用户从web前端发起一个请求，我们只需要将请求所要处理的任务丢入任务队列broker中，由空闲的worker去处理任务即可，处理的结果会暂存在后台数据库backend中。我们可以在一台机器或多台机器上同时起多个worker进程来实现分布式地并行处理任务。
三、django中celery的实现
在实际使用过程中，发现在celery在django里的实现与其在一般.py文件中的实现还是有很大差别，django有其特定的使用celery的方式。这里着重介绍celery在django中的实现方法，简单介绍与其在一般.py文件中实现方式的差别。
1. 建立消息队列
首先，我们必须拥有一个broker消息队列用于发送和接收消息。celery官网给出了多个broker的备选方案：rabbitmq、redis、database（不推荐）以及其他的消息中间件。在官网的强力推荐下，我们就使用rabbitmq作为我们的消息中间人。在linux上安装的方式如下：
|
1
|
sudo apt-get install rabbitmq-server
|
命令执行成功后，rabbitmq-server就已经安装好并运行在后台了。
另外也可以通过命令rabbitmq-server来启动rabbitmq server以及命令rabbitmqctl stop来停止server。
更多的命令可以参考rabbitmq官网的用户手册：https://www.rabbitmq.com/manpages.html
2. 安装django-celery
|
1
2
|
pip install celery
pip install django-celery
|
3. 配置settings.py
首先，在django工程的settings.py文件中加入如下配置代码：
|
1
2
3
4
|
import djcelery
djcelery.setup_loader()
broker_url= 'amqp://guest@localhost//'
celery_result_backend = 'amqp://guest@localhost//'
|
其中，当djcelery.setup_loader()运行时，celery便会去查看installd_apps下包含的所有app目录中的tasks.py文件，找到标记为task的方法，将它们注册为celery task。broker_url和celery_result_backend分别指代你的broker的代理地址以及backend（result store）数据存储地址。在django中如果没有设置backend，会使用其默认的后台数据库用来存储数据。注意，此处backend的设置是通过关键字celery_result_backend来配置，与一般的.py文件中实现celery的backend设置方式有所不同。一般的.py中是直接通过设置backend关键字来配置，如下所示：
|
1
|
app = celery('tasks', backend='amqp://guest@localhost//', broker='amqp://guest@localhost//')
|
然后，在installed_apps中加入djcelery：
|
1
2
3
4
5
6
|
installed_apps = (
……
'qv',
'djcelery'
……
)
|
4. 在要使用该任务队列的app根目录下（比如qv），建立tasks.py，比如：
在tasks.py中我们就可以编码实现我们需要执行的任务逻辑，在开始处import task，然后在要执行的任务方法开头用上装饰器@task。需要注意的是，与一般的.py中实现celery不同，tasks.py必须建在各app的根目录下，且不能随意命名。
5. 生产任务
在需要执行该任务的view中，通过build_job.delay的方式来创建任务，并送入消息队列。比如：
6. 启动worker的命令
|
1
2
3
4
|
#先启动服务器
python manage.py runserver
#再启动worker
python manage.py celery worker -c 4 --loglevel=info
|
四、补充
django下要查看其他celery的命令，包括参数配置、启动多worker进程的方式都可以通过python manage.py celery --help来查看:
另外，celery提供了一个工具flower，将各个任务的执行情况、各个worker的健康状态进行监控并以可视化的方式展现，如下图所示：
django下实现的方式如下：
1. 安装flower:
|
1
|
pip install flower
|
2. 启动flower（默认会启动一个webserver，端口为5555）:
|
1
|
python manage.py celery flower
|
3. 进入http://localhost:5555即可查看。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/znicy/p/5626040.html