当前位置: 首页>编程语言>正文

es 执行_update_by_query 语句会影响性能吗 es rangequery

Celery功能简介

Celery(芹菜)是一个异步任务队列/基于分布式消息传递的作业队列。

Celery用于生产系统每天处理数以百万计的任务。

Celery是用Python编写的,但该协议可以在任何语言实现。它也可以与其他语言通过webhooks实现。

由于Celery 3.0系列对以前的系列进行了大量重构优化,现在开始使用就没必要研究旧版本了,所以此介绍以3.0.24的文档为基础。

Celery的工作结构

在使用Celery的时候要明白它的大致结构,Celery的结构非常简单,大致分为3个部分:

  1. worker部分负责任务的处理,即工作线程,在我的理解中工作线程就是你写的python代码,当然还包括python调用系统工具功能
  2. broker部分负责任务消息的分发以及任务结果的存储,这部分任务主要由中间数据存储系统完成,比如消息队列服务器RabbitMQ、redis、 Amazon SQS、MongoDB、IronMQ等或者关系型数据库,使用关系型数据库依赖sqlalchemy或者django的ORM
  3. Celery主类,进行任务最开始的指派与执行控制,他可以是单独的python脚本,也可以和其他程序结合,应用到django或者flask等 web框架里面以及你能想到的任何应用

Celery的安装

Celery只是一个python包,所以可以通过pip或者easy_install安装

pip install celery easy_install install celery

除此之外还需要安装broker的系统,我使用的是redis,除了安装redis以外还需要安装celery-with-redis pip install celery-with-redis 使用其他类型的broker请参见官方文档:

__ http://docs.celeryproject.org/en/latest/getting-started/first-steps-with-celery.html#using-a-database

Celery的初步使用

启动celery之前先架设好broker服务,安装好redis后以默认方式启动就可以了。 连接方式为:redis://localhost:6379/0

接下来编写任务脚本tasks.py,这个脚本在worker部分和任务分发部分都需要用到:

from celery import Celery

celery = Celery('tasks', broker='redis://localhost:6379/0')

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

执行命令启动worker进行:

#这个命令要在tasks.py文件目录运行,命令表示以worker模式启动一个名为tasks的APP
#worker的名称是test-worker1,一台服务器上可以启动多个worker,只要名称不同,
#启动好的worker会自动根据tasks.py的信息注册到broker服务中,等待分发任务。

celery -A tasks worker --loglevel=info --hostname=test-worker1

执行任务,使用delay()放,如下:

>>> from tasks import add
>>> add.delay(4, 4)

也可以使用apply_async()方法,把结果存储在类似broker的backend系统中,可以和broker在同一个服务中, 更改tasks.py中的实例化celery一行,加入backend参数: celery = Celery('tasks', broker='redis://localhost:6379/0', backend='redis://localhost:6379/0')

重新执行任务,使用apply_async把结果存储下来,在需要的时候调用get()进行获取,如下:

>>> from tasks import add
>>> result = add.apply_async(4, 4)
>>> result.get()

Celery配置

Celery有很多全局变量,不配置的情况下取默认值,当我们需要配置的时候可以把所有的参数写到一个py文件中然后在 任务文件中进行加载,也可以直接用一个类写到任务文件中,还可以直接对celery类的conf对象直接进行update操作:

方法1,直接加载py文件: celeryconfig.py:

BROKER_URL = 'amqp://'
CELERY_RESULT_BACKEND = 'amqp://'
CELERY_TASK_SERIALIZER = 'json'
CELERY_RESULT_SERIALIZER = 'json'
CELERY_TIMEZONE = 'Europe/Oslo'
CELERY_ENABLE_UTC = True

from celery import Celery

celery = Celery()
celery.config_from_object('celeryconfig')

方法2,直接对conf进行update: from celery import Celery

celery = Celery()
celery.conf.update(
CELERY_TASK_SERIALIZER='json',
CELERY_RESULT_SERIALIZER='json',
CELERY_TIMEZONE='Europe/Oslo',
CELERY_ENABLE_UTC=True,
)

or

celery.conf.CELERY_TASK_SERIALIZER = 'json'

方法3,直接加载类或对象: from celery import Celery

celery = Celery()

class Config:
    CELERY_ENABLE_UTC = True
    CELERY_TIMEZONE = 'Europe/London'

celery.config_from_object(Config)

Celery任务分发控制

在celery里面任务分发控制叫task routing即任务路由

celery的分发控制使用比较简单,但是高级功能比较复杂,我还不能完全理解,就介绍一下最基础的任务路由方法。

在worker进程启动的时候可以使用参数-Q指定当前worker所能接受的队列消息:

celery -A tasks.tasks worker --loglevel=info --hostname=testq-worker -Q 'testq'

然后在任务分发的过程中,调用apply_async或者delay方法中指定queue参数,当queue与worker的-Q相匹配时任务 就可以被分发到相应的worker进程中:

>>> from tasks import add
>>> result = add.apply_async(4, 4, queue='testq')
>>> result.get()

更高级的使用方法请大家研究官网的文档:

__ http://docs.celeryproject.org/en/latest/userguide/routing.html

Celery的管理

celery的管理有几种方式,比较直观的有一个叫flower的webui,可以提供任务查询,worker的生命管理以及路由管理,可以在界面上 进行实时的路由key添加(就是在worker启动时-Q参数指定的值)

使用方式为:

#安装
pip install flower

#启动
celery flower --port=5555 --broker=redis://localhost:6379/0

访问localhost的5555端口即可以使用

还有一种对任务进行实时监控的方式为celery本身提供的events的功能,启动方式为:

#启动一个字符界面下管理的工具,对任务进行方便的跟踪管理
celery events --broker=redis://localhost:6379/0

结束语

celery还有很多功能没来得及研究,我准备把celery应用于服务器管理中一些任务的执行,来代替linux的crontab和一些 手工操作,提升更强的灵活性以及更加直观


https://www.xamrdz.com/lan/57y1957260.html

相关文章: