在 Python 中，异步任务通常通过使用库如 Celery 来实现。Celery 是一个简单、灵活且可靠的分布式系统，用于处理大量消息，同时提供操作控制。
在 Celery 中，delay 和 apply_async 是两种常用的方法来调度异步任务。
delay 方法
delay 是 Celery 提供的一个快捷方法，用于简化任务的调用。它会自动将任务标记为异步执行。
from celery import Celery
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def add(x, y):
return x + y
# 使用 delay 方法调用任务
result = add.delay(4, 6)
apply_async 方法
apply_async 提供了更多的控制选项，例如可以指定任务的执行时间、重试策略等。
from celery import Celery
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def add(x, y):
return x + y
# 使用 apply_async 方法调用任务
result = add.apply_async((4, 6), countdown=10) # 任务将在10秒后执行
参数说明
args：任务的参数，通常以元组形式传递。kwargs：任务的关键字参数，以字典形式传递。countdown：任务延迟执行的时间（以秒为单位）。eta：任务的预计执行时间（datetime 对象）。expires：任务的过期时间（datetime 对象或秒数）。retry：是否在任务失败时自动重试。retry_policy：重试策略，例如最大重试次数、重试间隔等。
示例1
使用 apply_async 方法来设置任务的各种参数：
from celery import Celery
from datetime import datetime, timedelta
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task(bind=True, max_retries=3)
def add(self, x, y):
try:
return x + y
except Exception as exc:
raise self.retry(exc=exc, countdown=5)
# 使用 apply_async 方法调用任务
eta = datetime.utcnow() + timedelta(seconds=10)
result = add.apply_async((4, 6), eta=eta, expires=60, retry=True, retry_policy={
'max_retries': 5,
'interval_start': 0,
'interval_step': 0.2,
'interval_max': 0.2,
})
任务 add 被设置为在10秒后执行，并且在60秒后过期。如果任务失败，它会自动重试最多5次，每次重试间隔0.2秒。
delay方法是apply_async的简化版本，适用于简单的异步任务调用。apply_async方法提供了更多的控制选项，适用于需要更复杂调度和重试策略的任务。
示例2
假设你有一个自定义的任务基类 CallbackTask，你可以这样定义一个任务：
from celery import Celery, Task
app = Celery('tasks', broker='pyamqp://guest@localhost//')
class CallbackTask(Task):
def on_success(self, retval, task_id, args, kwargs):
print(f'Task {task_id} succeeded with result: {retval}')
def on_failure(self, exc, task_id, args, kwargs, einfo):
print(f'Task {task_id} failed with exception: {exc}')
@app.task(name='my_custom_task', base=CallbackTask, ignore_result=True)
def add(x, y):
return x + y
# 调用任务
result = add.delay(4, 6)
-
自定义任务基类
CallbackTask：on_success方法：当任务成功完成时调用。on_failure方法：当任务失败时调用。
-
任务定义：
@app.task(name='my_custom_task', base=CallbackTask, ignore_result=True)：name='my_custom_task'：任务的自定义名称。base=CallbackTask：任务的基类是CallbackTask。ignore_result=True：任务的结果将不会被存储。
-
调用任务：
result = add.delay(4, 6)：异步调用任务add，传递参数4和6。
在 Celery 中，任务的参数通常以元组或字典的形式传递，并且 Celery 会自动处理参数的序列化和反序列化。因此，你通常不需要手动将参数 JSON 化。
参数传递
简单参数
from celery import Celery
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def add(x, y):
return x + y
# 使用 delay 方法调用任务，传递参数
result = add.delay(4, 6)
在这个示例中，参数 4 和 6 被传递给任务 add，Celery 会自动处理这些参数的序列化和反序列化。
复杂参数
如果你需要传递更复杂的参数，例如嵌套的字典或列表，Celery 也能处理这些情况：
from celery import Celery
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def process_data(data):
# 假设 data 是一个字典
return data['key1'] + data['key2']
# 使用 apply_async 方法调用任务，传递复杂参数
data = {'key1': 10, 'key2': 20}
result = process_data.apply_async((data,))
在这个示例中，data 是一个字典，Celery 会自动将其序列化并传递给任务 process_data。
常见错误
在 Celery 中，如果尝试传递一个 Django 模型对象作为任务参数，而没有设置适当的序列化和反序列化方法，通常会遇到序列化错误。默认情况下，Celery 使用 JSON 作为序列化格式，而 JSON 不支持直接序列化 Django 模型对象。
如果直接传递一个 Django 模型对象作为任务参数，可能会遇到类似以下的错误：
kombu.exceptions.EncodeError: Object of type <YourModel> is not JSON serializable
这个错误表明 Celery 尝试将 Django 模型对象序列化为 JSON，但失败了，因为 JSON 序列化器不知道如何处理 Django 模型对象。
解决方法
-
传递模型对象的主键：
- 传递模型对象的主键（或其他简单类型）作为任务参数，然后在任务内部重新获取模型对象。
from celery import Celery from myapp.models import MyModel app = Celery('tasks', broker='pyamqp://guest@localhost//') @app.task def process_model_object(model_id): obj = MyModel.objects.get(id=model_id) # 处理对象 print(obj) # 调用任务，传递模型对象的主键 obj = MyModel.objects.first() process_model_object.delay(obj.id) -
自定义序列化和反序列化：
- 自定义任务参数的序列化和反序列化方法，将模型对象转换为可序列化的格式（如字典）。
from celery import Celery from myapp.models import MyModel app = Celery('tasks', broker='pyamqp://guest@localhost//') @app.task def process_model_object(model_data): # 反序列化模型对象 obj = MyModel(**model_data) # 处理对象 print(obj) # 调用任务，传递模型对象的字典表示 obj = MyModel.objects.first() model_data = { 'id': obj.id, 'field1': obj.field1, 'field2': obj.field2, # 其他字段 } process_model_object.delay(model_data) -
使用 Pickle 序列化器：
Celery支持多种序列化器，包括 Pickle。Pickle 可以序列化几乎所有 Python 对象，但它有安全风险，不建议在不受信任的环境中使用。
from celery import Celery from myapp.models import MyModel app = Celery('tasks', broker='pyamqp://guest@localhost//') app.conf.update( task_serializer='pickle', accept_content=['pickle'], # Ignore other content result_serializer='pickle', ) @app.task def process_model_object(obj): # 处理对象 print(obj) # 调用任务，传递模型对象 obj = MyModel.objects.first() process_model_object.delay(obj)
总结
- 传递模型对象的主键：这是最常见和推荐的方法，因为它简单且安全。
- 自定义序列化和反序列化：适用于需要传递复杂对象的情况。
- 使用 Pickle 序列化器：虽然方便，但有安全风险，不建议在不受信任的环境中使用。
