Celery的实践指南

celery原理：

celery实际上是实现了一个典型的生产者-消费者模型的消息处理/任务调度统，消费者(worker)和生产者(client)都可以有任意个，他们通过消息系统（broker）来通信。

典型的场景为：

1. 客户端启动一个进程（生产者），当用户的某些操作耗时较长或者比较频繁时，考虑接入本消息系统，发送一个task任务给broker。
2. 后台启动一个worker进程（消费者），当发现broker中保存有某个任务到了该执行的时间，他就会拿过来，根据task类型和参数执行。

实践中的典型场景：

1. 简单的定时任务：
   1. 替换crontab的celery写法：
      1. from celery import Celery
         from celery.schedules import crontab

         app = Celery("tasks", backend="redis://localhost", broker="redis://localhost")

         app.conf.update(CELERYBEAT_SCHEDULE = {
             "add": {
                 "task": "celery_demo.add",
                 "schedule": crontab(minute="*"),
                 "args": (16, 16)
             },
         })

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

   2. 运行celery的worker，让他作为consumer运行，自动从broker上获得任务并执行。
      1. `celery -A celery_demo worker`
   3. 运行celery的client，让其根据schedule，自动生产出task msg，并发布到broker上。
      1. `celery -A celery_demo beat`
   4. 安装并运行flower，方便监控task的运行状态
      1. `celery flower -A celery_demo`
      2. 或者设置登录密码 `
         
         celery flower -A celery_demo --basic_auth=user1:password1,user2:password2
2. 多同步任务-链式任务-
3. 失败自动重试的task
   1. 失败重试方法： 将task代码函数参数增加self，同时绑定bind。
   2. demo代码：
      1. @app.task(bind=True, default_retry_delay=300, max_retries=5)
         def my_task_A(self):
             try:
                 print("doing stuff here...")
             except SomeNetworkException as e:
                 print("maybe do some clenup here....")
                 self.retry(e)
   3. 自动重试后，是否将任务重新入queue后排队，还是等待指定的时间？可以通过self.retry()参数来指定。
4. 派发到不同Queue队列的task
   1. 一个task自动映射到多个queue中的方法, 通过配置task和queue的routing_key命名模式。
      1. 比如：把queue的exchange和routing_key配置成通用模式：
      2. 再定义task的routing_key的名称：
   2. 可用的不同exchange策略：
      1. direct：直接根据定义routing_key
      2. topic：exchange会根据通配符来将一个消息推送到多个queue。
      3. fanout：将消息拆分，分别推送到不同queue，通常用于超大任务，耗时任务。
   3. 参考：http://celery.readthedocs.org/en/latest/userguide/routing.html#routers
5. 高级配置
   1. result是否保存
   2. 失败邮件通知：
   3. 关闭rate limit:
6. auto_reload方法（*nix系统）：
   1. celery通过监控源代码目录的改动，自动地进行reload
   2. 使用方法：1.依赖inotify（Linux） 2. kqueue（OS X / BSD）
   3. 安装依赖：
      
      $ pip install pyinotify
   4. (可选) 指定fsNotify的依赖：
      
      $ env CELERYD_FSNOTIFY=stat celery worker -l info --autoreload
   5. 启动： celery -A appname worker --autoreload
7. auto-scale方法：
   1. 启用auto-scale
   2. 临时增加worker进程数量（增加consumer）：
      
      $ celery -A proj control add_consumer foo -d worker1.local
   3. 临时减少worker进程数量（减少consumer）：
8. 将scheduled task的配置从app.conf变成DB的方法：
   1. 需要在启动时指定custom schedule 类名，比如默认的是： celery.beat.PersistentScheduler 。
      1.  celery -A proj beat -S djcelery.schedulers.DatabaseScheduler
9. 启动停止worker的方法：
   1. 启动 as daemon : http://docs.celeryproject.org/en/latest/tutorials/daemonizing.html#daemonizing
      1. root用户可以使用celeryd
      2. 非特权用户：celery multi start worker1 -A appName  —autoreload  --pidfile="$HOME/run/celery/%n.pid"  --logfile="$HOME/log/celery/%n.log"
      3. 或者 celery worker —detach
   2. 停止
   3. ps auxww | grep ‘celery worker‘ | awk ‘{print $2}‘ | xargs kill -9
10. 与Flask集成的方法
    1. 集成后flask将充当producer来创建并发送task给broker，在celery启动的独立worker进程将从broker中获得task并执行，同时将结果返回。
    2. flask中异步地获得task结果的方法：add.delay(x,y),有时需要对参数进行命名后传递 或者 add.apply_async(args=(x,y), countdown=30)
    3. flask获得
11. 与flask集成后的启动问题
    1. 由于celery的默认routing_key是根据生产者在代码中的import级别来设定的，所以worker端在启动时应该注意其启动目录应该在项目顶级目录上，否者会出现KeyError。
12. 性能提升： eventlet 和 greenlet

官方参考：http://docs.celeryproject.org/en/latest/userguide/index.html