当前位置：网站首页>celery最佳实践

celery最佳实践

2022-07-06 10:20:00 【全栈程序员站长】

大家好，又见面了，我是全栈君。

作为一个Celery使用重度用户。看到Celery Best Practices这篇文章。不由得菊花一紧。

干脆翻译出来，同一时候也会添加我们项目中celery的实战经验。

至于Celery为何物，看这里Celery。

通常在使用Django的时候，你可能须要运行一些长时间的后台任务，没准你可能须要使用一些能排序的任务队列，那么Celery将会是一个非常好的选择。

当把Celery作为一个任务队列用于非常多项目中后，作者积累了一些最佳实践方式，譬如怎样用合适的方式使用Celery，以及一些Celery提供的可是还未充分使用的特性。

1，不要使用数据库作为你的AMQP Broker

数据库并非天生设计成能用于AMQP broker的。在生产环境下，它非常有可能在某时候当机（PS，当掉这点我认为不论什么系统都不能保证不当吧！！

。）。

作者猜想为啥非常多人使用数据库作为broker主要是由于他们已经有一个数据库用来给web app提供数据存储了。于是干脆直接拿来使用。设置成Celery的broker是非常easy的。而且不须要再安装其它组件（譬如RabbitMQ）。

假设有例如以下场景：你有4个后端workers去获取并处理放入到数据库里面的任务，这意味着你有4个进程为了获取最新任务，须要频繁地去轮询数据库。没准每一个worker同一时候还有多个自己的并发线程在干这事情。

某一天。你发现由于太多的任务产生。4个worker不够用了，处理任务的速度已经大大落后于生产任务的速度，于是你不停去添加worker的数量。突然，你的数据库由于大量进程轮询任务而变得响应缓慢，磁盘IO一直处于高峰值状态，你的web应用也開始受到影响。这一切，都由于workers在不停地对数据库进行DDOS。

而当你使用一个合适的AMQP（譬如RabbitMQ）的时候，这一切都不会发生，以RabbitMQ为例。首先，它将任务队列放到内存里面。你不须要去訪问硬盘。其次，consumers（也就是上面的worker）并不须要频繁地去轮询由于RabbitMQ能将新的任务推送给consumers。

当然，假设RabbitMQ真出现故障了。至少也不会影响到你的web应用。

这也就是作者说的不用数据库作为broker的原因，而且非常多地方都提供了编译好的RabbitMQ镜像，你都能直接使用，譬如这些。

对于这点。我是深表赞同的。我们系统大量使用Celery处理异步任务，大概平均一天几百万的异步任务，曾经我们使用的mysql。然后总会出现任务处理延时太严重的问题，即使添加了worker也不管用。于是我们使用了redis。性能提升了非常多。至于为啥使用mysql非常慢，我们没去深究，没准也还真出现了DDOS的问题。

2，使用很多其它的queue（不要仅仅用默认的）

Celery非常easy设置，通常它会使用默认的queue用来存放任务（除非你显示指定其它queue）。通常写法例如以下：

@app.task()
def my_taskA(a, b, c):
    print("doing something here...")

@app.task()
def my_taskB(x, y):
    print("doing something here...")

这两个任务都会在同一个queue里面运行。这样写事实上非常有吸引力的，由于你仅仅须要使用一个decorator就能实现一个异步任务。作者关心的是taskA和taskB没准是全然两个不同的东西，或者一个可能比还有一个更加重要，那么为什么要把它们放到一个篮子里面呢？（鸡蛋都不能放到一个篮子里面，是吧！）没准taskB事实上不怎么重要，可是量太多，以至于重要的taskA反而不能高速地被worker进行处理。添加workers也解决不了这个问题，由于taskA和taskB仍然在一个queue里面运行。

3。使用具有优先级的workers

为了解决2里面出现的问题，我们须要让taskA在一个队列Q1，而taskB在还有一个队列Q2运行。同一时候指定x workers去处理队列Q1的任务，然后使用其它的workers去处理队列Q2的任务。使用这样的方式，taskB可以获得足够的workers去处理，同一时候一些优先级workers也能非常好地处理taskA而不须要进行长时间的等待。

首先手动定义queue

CELERY_QUEUES = (
    Queue('default', Exchange('default'), routing_key='default'),
    Queue('for_task_A', Exchange('for_task_A'), routing_key='for_task_A'),
    Queue('for_task_B', Exchange('for_task_B'), routing_key='for_task_B'),
)

然后定义routes用来决定不同的任务去哪一个queue

CELERY_ROUTES = {
    'my_taskA': {'queue': 'for_task_A', 'routing_key': 'for_task_A'},
    'my_taskB': {'queue': 'for_task_B', 'routing_key': 'for_task_B'},
}

最后再为每一个task启动不同的workerscelery worker -E -l INFO -n workerA -Q for_task_A celery worker -E -l INFO -n workerB -Q for_task_B

在我们项目中。会涉及到大量文件转换问题，有大量小于1mb的文件转换，同一时候也有少量将近20mb的文件转换。小文件转换的优先级是最高的，同一时候不用占用非常多时间，但大文件的转换非常耗时。假设将转换任务放到一个队列里面，那么非常有可能由于出现转换大文件，导致耗时太严重造成小文件转换延时的问题。

所以我们依照文件大小设置了3个优先队列。而且每一个队列设置了不同的workers。非常好地攻克了我们文件转换的问题。

4，使用Celery的错误处理机制

大多数任务并没有使用错误处理，假设任务失败，那就失败了。在一些情况下这非常不错。可是作者见到的多数失败任务都是去调用第三方API然后出现了网络错误。或者资源不可用这些错误。而对于这些错误。最简单的方式就是重试一下，或许就是第三方API暂时服务或者网络出现故障，没准立即就好了，那么为什么不试着重试一下呢？

@app.task(bind=True, default_retry_delay=300, max_retries=5)
def my_task_A():
    try:
        print("doing stuff here...")
    except SomeNetworkException as e:
        print("maybe do some clenup here....")
        self.retry(e)

作者喜欢给每一个任务定义一个等待多久重试的时间，以及最大的重试次数。当然还有更具体的參数设置，自己看文档去。

对于错误处理，我们由于使用场景特殊，比如一个文件转换失败，那么不管多少次重试都会失败。所以没有添加重试机制。