Python并行分布式框架：Celery

　　Celery是Python世界中受欢迎的后台工作管理者之一。该系统简单、灵活、可靠性高、处理大量消息、集中处理实时异步任务队列和任务调度功能。

　　Celery是基于Python开发的分布式任务队列。通过任务队列，它可以对分布的机器/进程/线程执行任务调度。

　　架构设计　　

　　Celery的体系结构包括三个部分，即消息中间件(messagebroker)、任务执行单元(worker)和任务执行结果存储(taskresultstore)。

　　消息中间件

　　Celery本身并不提供消息服务，但很容易与第三方提供的消息中间件集成。

　　任务执行单元

　　Worker是Celery提供的任务执行的一个单元，工人并发运行在分布式系统节点中。

　　任务结果存储

　　Task result store用于存储由Worker执行的任务的结果，Celery支持任务以不同方式存储的结果。

　　此外，Celery支持多种并发性和序列化方法。

　　并发

　　Prefork, Eventlet, gevent, threads/single threaded

　　序列化

　　pickle, json, yaml, msgpack. zlib, bzip2 compression， Cryptographic message signing 等等

　　安装与操作

　　Celery的安装流程有点复杂，下面的安装过程是基于我的Linux版本AWSEC2的安装过程，不同的系统安装过程可能会有所不同。请参阅官方文件。

　　为了先安装RabbitMQ，我首先选择了RabbitMQ。首先更新YUM，作为安装准备。

　　sudo yum -y update

　　RabbitMQ基于erlang，因此首先安装erlang。　　

　　RabbitMQ随后安装。　　

 

　　RabbitMQ服务启动。

　　rabbitmq-server start

　　RabbitMQ服务已经就绪，然后安装Celery，假设您将使用pip来管理python安装包。

　　pip install Celery

　　要测试Celery是否有效，我们会运行一个最简单的任务，即编写tasks.py。　　

　　运行当前目录的worker，以执行此加法的task。

　　celery -A tasks worker --loglevel=info

　　参数-A表示CeleryApp的名称。请注意我在这里使用SQLAlchemy作为结果存储。要预先安装相应的python包。

　　工人日志中我们将看到这些信息。　　

 

　　在这些文件中，我们看到工人默认使用prefork来执行并发，并将并发数设置为8。

　　执行以下任务的客户端代码：　　

　　在客户端使用python执行这个客户端代码，其结果如下。

　　not ready 8

　　Work日志显示。　　

 

　　此处我们可以发现每个任务都有一个惟一的ID，即工人上异步执行task。

　　请注意，如果大家运行官方文档中的示例，则无法在客户端获得结果，这也是小编为什么要使用SQLAlchemy来存储执行任务的结果。使用AMPQ的正式示例是这样的，Worker在打印日志时将运行的task的结果显示在工人日志中，但是AMPQ作为一个消息队列，当消息被提取出来后，队列中将不存在，这样客户机总是不能得到任务的执行结果。

  　　>>>>>>点击进入Python专题