Celery 是一个强大的分布式任务队列的异步处理框架，它可以让任务的执行完全脱离主程序，甚至可以被分配到其他主机上运行。我们通常使用它来实现异步任务（async task）和定时任务（crontab）。

在Celery中几个基本的概念，需要先了解下，不然不知道为什么要安装下面的东西。概念：Broker、Backend。

broker

broker是一个消息传输的中间件或消息队列，可以理解为一个邮箱。

每当应用程序调用celery的异步任务的时候，会向broker传递消息，而后celery的worker将会取到消息，进行对于的程序执行。其中Broker的中文意思是经纪人，其实就是一开始说的消息队列，用来发送和接受消息。这个Broker有几个方案可供选择：RabbitMQ (消息队列)，Redis（缓存数据库），数据库（不推荐），等等

backend

用于存储这些消息以及celery执行的一些消息和结果。

Backend是在Celery的配置中的一个配置项 CELERY_RESULT_BACKEND ，作用是保存结果和状态，如果你需要跟踪任务的状态，那么需要设置这一项，可以是Database backend，也可以是Cache backend，具体可以参考这里： CELERY_RESULT_BACKEND 。

brokers，官方推荐是 rabbitmq 和 redis，至于 backend，就是数据库。为了简单可以都使用 redis。

这是在网上最多的一张Celery的图

Celery的架构由三部分组成，消息中间件（message broker），任务执行单元（worker）和任务执行结果存储（task result store）组成。

1.消息中间件broker

Celery本身不提供消息服务，但是可以方便的和第三方提供的消息中间件集成。包括，RabbitMQ, Redis, MongoDB (experimental), Amazon SQS (experimental),CouchDB (experimental), SQLAlchemy (experimental),Django ORM (experimental), IronMQ

2.任务执行单元

Worker是Celery提供的任务执行的单元，worker并发的运行在分布式的系统节点中。

3.任务结果存储

Task result store用来存储Worker执行的任务的结果，Celery支持以不同方式存储任务的结果，包括AMQP, redis，memcached, mongodb，SQLAlchemy, Django ORM，Apache Cassandra, IronCache 等。

安装：

pip install redis

pip install celery

它的架构组成如下图：

Celery 主要包含以下几个模块：

任务模块 Task

包含异步任务和定时任务。其中，异步任务通常在业务逻辑中被触发并发往任务队列，而定时任务由 Celery Beat 进程周期性地将任务发往任务队列。
消息中间件 Broker

Broker，即为任务调度队列，接收任务生产者发来的消息（即任务），将任务存入队列。Celery 本身不提供队列服务，官方推荐使用 RabbitMQ 和 Redis 等。
任务执行单元 Worker

Worker 是执行任务的处理单元，它实时监控消息队列，获取队列中调度的任务，并执行它。
任务结果存储 Backend

Backend 用于存储任务的执行结果，以供查询。同消息中间件一样，存储也可使用 RabbitMQ, redis 和 MongoDB 等。

开始使用 Celery

使用celery包含三个方面：1. 定义任务函数。2. 运行celery服务。3. 客户应用程序的调用。

创建 Celery 实例

将下面的代码保存为文件 tasks.py：

# -*- coding: utf- -*-

import time

from celery import Celery

broker = 'redis://127.0.0.1:6379'

backend = 'redis://127.0.0.1:6379/0'

app = Celery('my_task', broker=broker, backend=backend)

@app.task

def add(x, y):

    time.sleep()     # 模拟耗时操作

    return x + y

上面的代码做了几件事：

创建了一个 Celery 实例 app，名称为 my_task；
指定消息中间件用 redis，URL 为 redis://127.0.0.1:6379；
指定存储用 redis，URL 为 redis://127.0.0.1:6379/0；
创建了一个 Celery 任务 add，当函数被 @app.task 装饰后，就成为可被 Celery 调度的任务；

启动 Celery Worker

在当前目录，使用如下方式启动 Celery Worker：

celery worker -A tasks --loglevel=info

其中：

参数 -A 指定了 Celery 实例的位置，本例是在 tasks.py 中，Celery 会自动在该文件中寻找 Celery 对象实例，当然，我们也可以自己指定，在本例，使用 -A tasks.app；
参数 --loglevel 指定了日志级别，默认为 warning，也可以使用 -l info 来表示；
在生产环境中，我们通常会使用 Supervisor 来控制 Celery Worker 进程。

启动成功后，控制台会显示如下输出：

调用任务

现在，我们可以在应用程序中使用 delay() 或 apply_async() 方法来调用任务。

在当前目录打开 Python 控制台，输入以下代码：

>>> from tasks import add

>>> add.delay(, )

<AsyncResult: 2272ddce-8be5-493f-b5ff-35a0d9fe600f>

在上面，我们从 tasks.py 文件中导入了 add 任务对象，然后使用 delay() 方法将任务发送到消息中间件（Broker），Celery Worker 进程监控到该任务后，就会进行执行。我们将窗口切换到 Worker 的启动窗口，会看到多了两条日志：

[-- ::,: INFO/MainProcess] Received task: tasks.add[2272ddce-8be5-493f-b5ff-35a0d9fe600f]

[-- ::,: INFO/PoolWorker-] Task tasks.add[2272ddce-8be5-493f-b5ff-35a0d9fe600f] succeeded in .00642602402s:

这说明任务已经被调度并执行成功。

另外，我们如果想获取执行后的结果，可以这样做：

>>> result = add.delay(, )

>>> result.ready()   # 使用 ready() 判断任务是否执行完毕

False

>>> result.ready()

False

>>> result.ready()

True

>>> result.get()     # 使用 get() 获取任务结果

在上面，我们是在 Python 的环境中调用任务。事实上，我们通常在应用程序中调用任务。比如，将下面的代码保存为 client.py:

# -*- coding: utf- -*-

from tasks import add

# 异步任务

add.delay(, )

print 'hello world'

运行命令 python client.py，可以看到，虽然任务函数 add 需要等待 5 秒才返回执行结果，但由于它是一个异步任务，不会阻塞当前的主程序，因此主程序会往下执行 print 语句，打印出结果。

使用配置
在上面的例子中，我们直接把 Broker 和 Backend 的配置写在了程序当中，更好的做法是将配置项统一写入到一个配置文件中，通常我们将该文件命名为 celeryconfig.py。Celery 的配置比较多，可以在官方文档查询每个配置项的含义。

下面，我们再看一个例子。项目结构如下：

celery_demo                    # 项目根目录

    ├── celery_app             # 存放 celery 相关文件

    │   ├── __init__.py

    │   ├── celeryconfig.py    # 配置文件

    │   ├── task1.py           # 任务文件

    │   └── task2.py           # 任务文件

    └── client.py              # 应用程序

__init__.py 代码如下：

# -*- coding: utf- -*-

from celery import Celery

app = Celery('demo')                                # 创建 Celery 实例

app.config_from_object('celery_app.celeryconfig')   # 通过 Celery 实例加载配置模块

celeryconfig.py 代码如下：

BROKER_URL = 'redis://127.0.0.1:6379'               # 指定 Broker

CELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/0'  # 指定 Backend

CELERY_TIMEZONE='Asia/Shanghai'                     # 指定时区，默认是 UTC

# CELERY_TIMEZONE='UTC'                             

CELERY_IMPORTS = (                                  # 指定导入的任务模块

    'celery_app.task1',

    'celery_app.task2'

)

task1.py 代码如下：

import time

from celery_app import app

@app.task

def add(x, y):

    time.sleep()

    return x + y

task2.py 代码如下：

import time

from celery_app import app

@app.task

def multiply(x, y):

    time.sleep()

    return x * y

client.py 代码如下：

# -*- coding: utf- -*-

from celery_app import task1

from celery_app import task2

task1.add.apply_async(args=[, ])        # 也可用 task1.add.delay(, )

task2.multiply.apply_async(args=[, ])   # 也可用 task2.multiply.delay(, )

print 'hello world'

现在，让我们启动 Celery Worker 进程，在项目的根目录下执行下面命令：

celery -A celery_app worker --loglevel=info

接着，运行 python client.py，它会发送两个异步任务到 Broker，在 Worker 的窗口我们可以看到如下输出：

[-- ::,: INFO/MainProcess] Received task: celery_app.task1.add[9ccffad0-aca4--84ce-0ccfce5a83aa]

[-- ::,: INFO/MainProcess] Received task: celery_app.task2.multiply[64b1f889-c892--bd1d-ac667e677a8a]

[-- ::,: INFO/PoolWorker-] Task celery_app.task1.add[9ccffad0-aca4--84ce-0ccfce5a83aa] succeeded in .00600231002s:

[-- ::,: INFO/PoolWorker-] Task celery_app.task2.multiply[64b1f889-c892--bd1d-ac667e677a8a] succeeded in .00601326401s:

定时任务

Celery 除了可以执行异步任务，也支持执行周期性任务（Periodic Tasks），或者说定时任务。Celery Beat 进程通过读取配置文件的内容，周期性地将定时任务发往任务队列。

让我们看看例子，项目结构如下：

celery_demo                    # 项目根目录

    ├── celery_app             # 存放 celery 相关文件

        ├── __init__.py

        ├── celeryconfig.py    # 配置文件

        ├── task1.py           # 任务文件

        └── task2.py           # 任务文件

__init__.py 代码如下：

# -*- coding: utf- -*-

from celery import Celery

app = Celery('demo')

app.config_from_object('celery_app.celeryconfig')

celeryconfig.py 代码如下：

# -*- coding: utf- -*-

from datetime import timedelta

from celery.schedules import crontab

# Broker and Backend

BROKER_URL = 'redis://127.0.0.1:6379'

CELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/0'

# Timezone

CELERY_TIMEZONE='Asia/Shanghai'    # 指定时区，不指定默认为 'UTC'

# CELERY_TIMEZONE='UTC'

# import

CELERY_IMPORTS = (

    'celery_app.task1',

    'celery_app.task2'

)

# schedules

CELERYBEAT_SCHEDULE = {

    'add-every-30-seconds': {

         'task': 'celery_app.task1.add',

         'schedule': timedelta(seconds=),       # 每  秒执行一次

         'args': (, )                           # 任务函数参数

    },

    'multiply-at-some-time': {

        'task': 'celery_app.task2.multiply',

        'schedule': crontab(hour=, minute=),   # 每天早上  点  分执行一次

        'args': (, )                            # 任务函数参数

    }

}

task1.py 代码如下：

import time

from celery_app import app

@app.task

def add(x, y):

    time.sleep()

    return x + y

task2.py 代码如下：

import time

from celery_app import app

@app.task

def multiply(x, y):

    time.sleep()

    return x * y

现在，让我们启动 Celery Worker 进程，在项目的根目录下执行下面命令：

celery -A celery_app worker --loglevel=info

接着，启动 Celery Beat 进程，定时将任务发送到 Broker，在项目根目录下执行下面命令：

celery_demo $ celery beat -A celery_app

celery beat v4.0.1 (latentcall) is starting.

__    -    ... __   -        _

LocalTime -> -- ::

Configuration ->

    . broker -> redis://127.0.0.1:6379//

    . loader -> celery.loaders.app.AppLoader

    . scheduler -> celery.beat.PersistentScheduler

    . db -> celerybeat-schedule

    . logfile -> [stderr]@%WARNING

    . maxinterval -> 5.00 minutes (300s)

之后，在 Worker 窗口我们可以看到，任务 task1 每 30 秒执行一次，而 task2 每天早上 9 点 50 分执行一次。

在上面，我们用两个命令启动了 Worker 进程和 Beat 进程，我们也可以将它们放在一个命令中：

$ celery -B -A celery_app worker --loglevel=info

错误：Celery ValueError: not enough values to unpack (expected 3, got 0)

解决方案：

pip install eventlet

运行：celery -A <mymodule> worker -l info -P eventlet

如果不加上-P eventlet，否则还会报错

参考文章：https://blog.csdn.net/chenqiuge1984/article/details/80127446

巴特西

cerely-分布式异步任务队列

安装：