首先解释下目标的概念：celery任务消息会由各种途径（比如手动通过python shell触发、通过tornado触发等）发往统一的一个celery broker，然后任务消息会由不同server上的worker去获取并执行。具体点说就是，借助celery消息路由机制，celery broker中开不同的消息队列来接收相应类型的任务消息，然后不同server上开启worker来处理目标消息队列里面的任务消息，即任务统一收集、分发到不同server上执行。
测试
项目架构如下：一个服务，一部分task运行在server1上，一部分task运行在server2上，所有的任务都可以通过网页向tornado（部署在server1上）发起、tornado接到网页请求调用相应的task handler、task handler向celery broker相应的queue发任务消息、最后server1上的worker和server2上的worker各自去相应的队列中获取任务消息并执行任务。server1是上海集群的10.121.72.94，server2是济阳集群的10.153.104.76，celery
broker是redis数据库：redis://10.121.76.204:17016/1。
首先来看一下server1上的代码结构，
| start_worker.sh
| proj
|__init__.py （空文件）
|celery.py
|hotplay_task.py
| hotplay_tornado_server.py
上面的代码包含了响应网页请求的tornado server构建代码、server1上的celery服务。
先来看server1上的celery调度器，
celery.py
#-*-coding=utf-8-*-from __future__ import absolute_importfrom celery import Celeryfrom kombu import Queueapp = Celery("proj",broker = "redis://10.121.76.204:17016/1",include = [‘proj.hotplay_task‘])app.conf.update(CELERY_DEFAULT_QUEUE = ‘hotplay_sh_default_queue‘,#CELERY_QUEUES = (Queue(‘hotplay_jy_queue‘),), #该队列是给server2用的，并不需要在这里申明)
hotplay_task.py
from __future__ import absolute_importimport sysimport osimport hashlibimport timeimport subprocessfrom proj.celery import appreload(sys)sys.setdefaultencoding(‘utf-8‘)sys.path.append(os.path.join(os.path.dirname(__file__), "./"))HOTPLAY_CATCHUP_DIR = ‘/home/uaa/prog/hotplay_v2/online_task/catch_up‘@app.task(bind=True)def do_init_catchup(self, user_name, album_id, album_name, channel_name):print ‘start to init catch up of user %s album %s:%s in channel %s‘%(user_name, album_id, album_name, channel_name)job_args = ‘source %s/init_catch_up.sh %s %s %s %s > ./logs/%s_%s.log‘%(HOTPLAY_CATCHUP_DIR, user_name, album_id, album_name, channel_name, album_id, user_name)print ‘job_args:‘, job_argsP = subprocess.Popen(job_args,shell=True)rt_code = P.wait()if rt_code == 0:print ‘job success...‘else:print ‘job error:%d‘%(rt_code)# print ‘job error:%d, will retry in 5 min‘%(rt_code)# raise self.retry(countdown=300)@app.task(bind=True)def do_catchup(self, hotplay_id, start_dt, end_dt):print ‘start to catch up of %s:%s-%s‘%(hotplay_id, start_dt, end_dt)job_args = ‘source %s/catch_up_all_run.sh %s %s %s > ./logs/%s.log 2>&1‘%(HOTPLAY_CATCHUP_DIR, hotplay_id, start_dt, end_dt, hotplay_id)print ‘job_args:‘, job_argsP = subprocess.Popen(job_args,shell=True)rt_code = P.wait()if rt_code == 0:print ‘job success...‘else:print ‘job error:%d‘%(rt_code)# print ‘job error:%d, will retry in 5 min‘%(rt_code)# raise self.retry(countdown=300)
start_worker.sh
nohup celery -A proj worker -n hotplay_default_worker -c 3 -Q hotplay_sh_default_queue -l info &
上面的代码定义了一个celery实例，该实例有两个队列，注册了两个celery task function，最后启动一个worker来处理默认队列hotplay_sh_default_queue（celery.py中重命名过的默认队列）中的任务消息。
tornado server是所有celery任务的发起者，server1和server2上celery task都由tornado
server相应的handler发起。
hotplay_tornado_server.py
#-*-coding=utf-8-*-from __future__ import absolute_importimport sysimport osimport tornado.webimport tornado.ioloopimport tornado.httpserverfrom celery.execute import send_taskfrom proj.hotplay_task import do_init_catchup, do_catchupreload(sys)sys.setdefaultencoding(‘utf-8‘)TORNADO_SERVER_PORT=10501class InitCatchupHandler(tornado.web.RequestHandler):def get(self, path):user_name = self.get_argument("user_name", None)album_id = self.get_argument("album_id",None)album_name = self.get_argument("album_name",None)channel_name = self.get_argument("channel_name", None)print "request user_name+album_id+album_name+channel_name:%s+%s_%s+%s"%(user_name, album_id, album_name, channel_name)if album_id == ‘0‘:self.write(‘test tornado server init catch up handler. sucess. just return\n‘)returntry:self.write("0")do_init_catchup.delay(user_name, album_id, album_name, channel_name)except:self.write("-1")class DoCatchupHandler(tornado.web.RequestHandler):def get(self, path):hotplay_id = self.get_argument("hotplay_id",None)start_dt = self.get_argument("start_dt",None)end_dt = self.get_argument("end_dt",None)print "request hotplay_id+start_dt+end_dt:%s+%s+%s"%(hotplay_id, start_dt, end_dt)if hotplay_id == ‘0‘:self.write(‘test tornado server catch up handler. sucess. just return\n‘)returntry:self.write("0")do_catchup.delay(hotplay_id, start_dt, end_dt)except:self.write("-1")class DoCatchupJYHandler(tornado.web.RequestHandler):def get(self, path):hotplay_id = self.get_argument("hotplay_id",None)start_dt = self.get_argument("start_dt",None)end_dt = self.get_argument("end_dt",None)print "request jy hotplay_id+start_dt+end_dt:%s+%s+%s"%(hotplay_id, start_dt, end_dt)#if hotplay_id == ‘0‘:# self.write(‘test tornado server catch up handler. sucess. just return\n‘)# returnsend_task(‘tasks.test1‘, args=[hotplay_id, start_dt, end_dt], queue=‘hotplay_jy_queue‘) #tasks.test1是server2上celery任务函数的file_name.func_name#file_name是任务函数所在文件相对于celery worker的路径#try:# self.write("0")# do_catchup.delay(hotplay_id, start_dt, end_dt)#except:# self.write("-1")application = tornado.web.Application([(r"/init_catchup/(.*)", InitCatchupHandler),(r"/do_catchup/(.*)", DoCatchupHandler),(r"/do_catchup_jy/(.*)", DoCatchupJYHandler),],template_path = "template", static_path="static")if __name__ == ‘__main__‘:http_server = tornado.httpserver.HTTPServer(application)http_server.listen(TORNADO_SERVER_PORT)tornado.ioloop.IOLoop.instance().start()
代码中定义了3个handler，前两个负责在接收到相应的网页请求后，发起server1上定义的两个task function任务消息，消息发往celery broker的默认队列hotplay_sh_default_queue（使用task_name.delay函数发出的请求会加入到默认队列，使用task_name.apply_async或send_task函数则可以指定目标队列），最后由server1上的worker执行。网页请求的格式类似——http://10.121.72.94:10501/do_catchup_jy/?hotplay_id=pxftest&start_dt=2015-08-12&end_dt=2015-08-14。第3个handler发起一个名为tasks.test1的任务消息，发往celery
broker的另一个队列hotplay_jy_queue，tasks.test1任务并没有在server1上的celery调度器中实现（也叫注册），而是放在了server2上，相应的，处理队列hotplay_jy_queue的worker也在server2上运行。这里，由于tasks.test1task
function没有注册在server1上，所以使用send_task函数来发送任务消息；这是因为task_name.delay、task_name.apply_async函数发送任务请求需要先import task_name相应的python function，而send_task函数发送任务消息其实就相当于往celery
broker发送一个字符串类似的任务请求、不需要调用事先写好的task function，然后该字符串类似的任务消息由worker获取、worker根据任务消息去寻找实际的task function来执行。这种机制也是celery实现任务统一收集、分发执行的基础。
来看server2上的celery调度器，
|tasks.py （注意，要和tornado server中send_task()函数用的file_name一样）
|start_server.sh
由于只是功能测试，写得比较简单，
tasks.py
#-*-coding=utf-8-*-from __future__ import absolute_importfrom celery import Celeryfrom kombu import Queueapp = Celery("test",broker = "redis://10.121.76.204:17016/1"# include = [‘test.tasks‘])app.conf.update(CELERY_DEFAULT_QUEUE = ‘hotplay_sh_default_queue‘, #可省略，但不能和server1的配置不一样CELERY_QUEUES = (Queue(‘hotplay_jy_queue‘),),)@app.task()def test1(hotplay_id, start_dt, end_dt): #注意，名字要和tornado_server中send_task()函数用的func_name名字一样print ‘hotplay_id is %s, stat from %s to %s‘%(hotplay_id, start_dt, end_dt)
start_server.sh
celery -A tasks worker -n hotplay_jy_worker -c 2 -Q hotplay_jy_queue -l info
server2上调度器主要就是开了一个worker来取tornado server发往hotplay_jy_queue队列的任务并执行，当然，任务在哪里执行、相应的任务函数就应该放在哪里。此外，server2和server1上的celery实例app的消息队列配置应该保持一致，因为它们是对同一个celery
broker的配置。
总结
最后总结下上面项目架构的实现：所有的celery任务都由tornado server发起，统一由celery broker收集、不过分别由celery
broker的hotplay_sh_default_queue和hotplay_jy_queue两个消息队列接收，最后分别由server1和server2上的worker去执行。
在上面的项目架构中，tornado server是和server1上的celery调度器放在一起的，这是有必要的，因为send_task函数发送任务消息的时候，至少应该要知道celery
broker等信息，而这些信息在server1的celery调度器上有（请注意hotplay_tornado_server.py中from
proj.hotplay_taskimport
do_init_catchup,
do_catchup语句，该语句不仅import两个任务函数，还获取了celery实例app的信息，从而获得了celery broker等配置信息）。在这之后，如果有其他任务要集成进来，直接在hotplay_tornado_server.py中增加相应的handler（调用send_task函数向目标队列发送相应的任务消息，目标队列不需要在server1上申明）、并在其他server上写好相应的celery调度器（申明消息队列、实现celery
task function、开启worker）即可。这时，tornado server负责所有任务（不止是本文提到的3个任务）的触发（通过网页触发比较方便）、然后使用send_task函数往某一个固定的celery
broker发送任务消息、不同种类的任务消息发到celery broker上特定的消息队列，每种任务的执行由任务部署的服务器上的celery调度器（就和server2上的调度器）完成，由各个服务器上的celery调度器的worker会到自己目标队列中取任务消息来执行。这样做的好处是：一个broker搞定所有任务，不过有多少种不同的任务、broker上就会有多少个消息队列。
后续
上文总结中提到tornado server需要和server1上的celery调度器放在一起，以获取celery broker的信息，经过尝试，tornado server是可以完全独立出来的。
在tornado server的py文件中添加以下代码：
from celery import Celery
app = Celery(broker = "redis://10.121.76.204:17016/1",)
接着，改send_task(‘tasks.test1‘,
args=[hotplay_id, start_dt,
end_dt],queue=‘hotplay_jy_queue‘)为
app.send_task(‘tasks.test1‘, args=[hotplay_id, start_dt, end_dt], queue=‘hotplay_jy_queue‘)
然后，就可以去掉下面两行了：
from celery.executeimport
send_task
from proj.hotplay_taskimport
do_init_catchup, do_catchup
这样子，tornado server就可以完全独立出来运行，而不必再和任何任务绑在一起以获得celery broker的信息，因为celery broker的信息直接写在tornado server的代码里了。当然，hotplay_tornado_server.py代码经过上面的修改、完全独立出来后，do_init_catchup.delay(user_name,
album_id,
album_name,
channel_name)和do_catchup.delay(hotplay_id,
start_dt,
end_dt)需要用send_task函数改写，
app.send_task(‘proj.hotplay_task.do_init_catchup‘, args=[user_name, album_id, album_name, channel_name]) #send to default queue: hotplay_default_sh_queue
app.send_task(‘proj.hotplay_task.do_catchup‘, args=[hotplay_id, start_dt, end_dt])
最后说明一下，tornado server完全独立出来的好处：如果不完全独立出来，那么和tornado
server放在一起的celery调度器需要修改的话，则celery worker和tornado server也需要重启（tornado server代码调用了celery调度器的任务函数以及broker信息，所以要重启），tornado
server至少和一个celery调度器存在耦合；完全独立后，解除了tornado
server代码和celery调度器之间的耦合，这时tornado server中使用send_task函数发送任务消息、无需经过实际实现的celery任务函数，所以任何celery调度器的改动（只要别改任务函数名和任务函数的参数）都无需重启tornado
server、而只要重启celery worker即可，也就是说任务的提交和任务的执行完全分离开来了。
参考：
http://www.avilpage.com/2014/11/scaling-celery-sending-tasks-to-remote.html
https://groups.google.com/forum/#!topic/celery-users/E37wUyOcd3I
http://programming.nullanswer.com/question/29340011
http://www.imankulov.name/posts/celery-for-internal-api.html
版权声明：本文为博主原创文章，未经博主允许不得转载。