Celery实际使用与内存泄漏问题面试

共计 2513 个字符，预计需要花费 7 分钟才能阅读完成。

监控 task 的执行结果：任务 id，结果，traceback，children，任务状态

配置 backend='redis://127.0.0.1:6379/5'给 Celery 的 app 对象，直接在 redis 中查看

还可以

健壮 celery：celery -A proj worker -l info

☁  proj  tree
├── __init__.py 
├── celery.py | app=Clery('proj',include=['proj.tasks'])
                app.config_from_object('proj.config')
                if __name__==__main__：app.start()
├── config.py |  CELERY_RESULT_BACKEND = 'redis://127.0.0.1:6379/6'
                BROKER_URL = 'redis://127.0.0.1:6379/5'      
└── tasks.py  |  @app.task            # 注意这个文件名必须是 tasks.py
                def add(x, y): return x + y

tasks 可以有多个在 celery.py 中添加一行代码加载任务函数

app.autodiscover_tasks(['proj.sms', 'proj.email'])

Scheduler 计划定时任务：celery -A proj worker -B -l info

#config.py
CELERY_TIMEZONE = 'Asia/Shanghai' # 指定时区
from datetime import timedelta
CELERYBEAT_SCHEDULE = {
    'add-every-30-seconds': {
         'task': 'proj.tasks.add', # 指定要执行的函数任务
         'schedule': timedelta(seconds=30), # 指定计划时间间隔 30s 执行一次 task
         'args': (16, 16)
    },
}

celery.schedules import crontab 定时周期任务：（比如每周一执行一次）

只需要修改 'schedule': crontab(hour=7, minute=30, day_of_week=1),

指定队列名：

启动加上 - Q 参数 celery -A proj worker --loglevel=info -Q 'testq'

跑任务时 add.delay(3,4,queue='testq')

指定开启的 worker 进程数：单个 Celery 进程每分钟就可以处理数百万个任务

底层是调用的 Python 的 multiprocessing 模块中的 Pool 进程池思想来做

启动加上 - c 参数 celery -A proj worker --loglevel=info -c 2 2 个 worker 进程来同时抢任务

图像化查看 broker 里面的数据，查看任务状态，以及任务的详细信息:flower 的 webUI

pip install flower 注意创建 celery 实例 app 时指定的 broker 设置的 redis/5

任意目录执行 celery flower --port=5555 --broker=redis://localhost:6379/5

应用： django 调用 celery 跑异步任务，常见场景有注册成功，发送邮件可以异步来防止网络 IO 阻塞，以及耗时间的任务，可以在 WEB 应用中使用这种异步方式

安装 django-celery==3.1.17 与celery==3.1.17 对应
创建 celery 必须的数据库表结构 python manage.py migrate
django 项目的 settings.py 文件中追加如下内容：backend，任务执行结果超时时间，worker 并发数也就是 -c 指定的数据，指定任务周期存储在 orm 数据库中
在 django 的 app 应用目录下创建 tasks.py 任务文件@task def add(x,y):
开启 django 服务和 celery 服务，虽然耦合了，还要开python manage.py celery worker --loglevel=info

celery 内存泄露分析

celery 配置项如下

CELERYD_CONCURRENCY = 2      celery worker 并发数
CELERYD_MAX_TASKS_PER_CHILD = 5   每个 worker 最大执行任务数

执行 celery -A ansibleAPI.celery worker 启动 celery，通过 ps -ef | grep celery 可以看到两个 celery worker 进程（8226，8228）。

利用 celery worker 进行某个任务，当 worker 没有执行到最大任务时（即销毁重建），每执行一次任务占用内存必然有所增加，任务数为 9，10 时（celery 均匀调度，并发数 * 最大任务数），分别有原 8228 worker 被销毁，重新创建 9386 worker 及原 8226 worker 被销毁，重新创建 9564 worker，此时，运行第 9 次时，占用总内存有所下降，运行第 10 次时，总内存回到初如值，同样任务执行第 19、20 次情况类似。

celery 并发计算规则
celery 任务并发只与 celery 配置项 CELERYD_CONCURRENCY 有关，与 CELERYD_MAX_TASKS_PER_CHILD 没有关系，即 CELERYD_CONCURRENCY=2，只能并发 2 个 worker，此时任务处理较大的文件时，执行两次可以看到两个 task 任务并行执行，而执行第三个任务时，开始排队，直到两个 worker 执行完毕。

结论
celery 执行完任务不释放内存与原 worker 一直没有被销毁有关，因此 CELERYD_MAX_TASKS_PER_CHILD 可以适当配置小点，而任务并发数与 CELERYD_CONCURRENCY 配置项有关，每增加一个 worker 必然增加内存消耗，同时也影响到一个 worker 何时被销毁，因为 celery 是均匀调度任务至每个 worker，因此也不宜配置过大，适当配置。

1. 实际使用

2.celery 扩展使用

3.DJango-celery 模式（嵌入到大型 DJango 项目中）

4. 内存泄漏问题

Just My Socks（注册教程内含优惠码）