原文链接: http://www.weiguda.com/blog/74/
在上一篇博文中, 我们介绍了如何在开发环境中使用Celery. 接下来我们介绍一下如何在部署环境使用Celery.
1. 简单设置
一个简单的Celery堆有一个queue和一个worker进程组成. 使用以下命令启动worker:
python manage.py celery worker -B
以上命令是基于django-celery, 当然你也可以celery自身启动worker. 通常我们使用supervisord管理celery worker的启动和重启, 而不是使用手动的方式.
supervisord的介绍我们会在今后的文章中作详细介绍. 现在我们只需要知道它是一款进程管理程序即可. 当然, 你也可以选择类似的系统, 例如init.d, upstart,
runit或god等.
“-B”参数告诉celery在启动worker时同时启动celery beat, 并使用统一进程, 以便执行定期任务.
在部署服务器上, 我们使用Redis或RabbitMQ作为broker. 而在这一简单的celery堆中, 我们用django数据库储存执行结果, 或干脆忽略结果都可.
2. 完整设置
如果简单设置无法满足我们的需要的话, 我们只需要做一些简单的改变就能完整设置Celery异步任务. 完整设置中, 我们使用多个queue来区分任务优先级. 每个
queue我们配置一个不同concurrency设置的worker. beat进程也与worker进程分离出来.
# 默认 queue
python manage.py celery worker -Q celery
# 高优先级 queue. 10个 workers
python manage.py celery worker -Q high -c
# 低优先级 queue. 2个 workers
python manage.py celery worker -Q low -c
# Beat 进程
python manage.py celery beat
注意, 其中high和low只是queue的名字, 并没有其他特殊意义. 我们通过为高优先级的queue配置高concurrency的worker, 使高优先级queue能够使用更多
的资源.
同样的, 这些启动命令通过supervisor管理. 至于broker, 我们还是使用Redis或RabbitMQ. 而任务结果则可以储存在Redis或Memcached这些拥有高写入速度
的系统中. 如果有必要, 这些worker进程可以移到其他服务器中, 但最好共享一个broker和结果储存系统.
3. 扩展性
我们不能一味的依靠增加额外的worker来提高性能, 因为每个worker都会占用一定的资源. 默认的concurrency设置是, 都多少CPU便创建多少worker, 并为每
个worker创建一个新的进程. 将concurrency设置的太高则会很快的榨干服务器的CPU和内存资源.
对于I/O资源需求较大的任务, 我们则可以指定worker使用gevent或eventlet池, 而不是使用更多进程. 这一配置使用的内存资源会大大降低, 同时提升
concurrency的性能. 需要注意的是, 但如果我们涉及到的library没有为greenlet打过补丁的话, 很有可能会阻塞所有的任务!
4. 注意
还有需要注意的是django的transaction. transaction根据django的版本和是否已web request形式传入有所不同, 所以你需要自己查阅相关的文档.
