flask框架异步处理耗时任务

最新推荐文章于 2025-03-31 18:15:00 发布

DokcelyNg

最新推荐文章于 2025-03-31 18:15:00 发布

阅读量4.8k

点赞数

文章标签： python flask

本文链接：https://blog.youkuaiyun.com/Lmingtian_huigenghao/article/details/104481471

版权

flask框架异步处理耗时任务

# 异步
executor = ThreadPoolExecutor(10)
def run():
    """
    函数run是耗时任务 
    :return: 
    """
    data = SQLTool().query('select * from physical_market')

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

DokcelyNg

关注关注

0
点赞
踩
8

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Python三大Web框架对比：Django、Flask、Tornado的异步实现方式详解

威哥说编程

05-03

1027

异步编程是一种能够让程序在等待某个任务（例如I/O操作）完成时，继续执行其他任务的编程方式。与传统的同步编程方式不同，异步编程不会阻塞主线程，它能够更高效地利用计算资源。在Web开发中，异步编程尤其适用于处理I/O密集型操作，比如数据库查询、文件读取、网络请求等。异步编程的好处在于能显著提升处理高并发请求的能力。Django是一个功能全面的Web框架，采用了MTV（Model-Template-View）架构，适合快速开发和开发大型Web应用。

flask 主线程返回，新线程来进行耗时任务的执行

caorya的博客

07-13

2837

项目中遇到需求，前端返回结果，后端进行比较耗时的操作。例如判断某客户ID是否在远程数据库。根据ID查询远程数据库，如果不存在，在前端提示客户不存在；如果存在，则前端提示客户存在，后端将根据客户ID，查询远程数据库的其他表，并将查询到的信息插入到本地数据库。本来没有想到多线程，只想着如何在return返回给前端信息之后再进行耗时操作，但在后端试了很多方法，都不能实现效果。后面又想到在前端click事件上增加一个新方法，虽然功能实现了，但前端同学表示，并不想增加新方法，而且个人觉得这样实现很别扭。随后想

1 条评论您还未登录，请先登录后发表或查看评论

asyn_task:在django或flask处理异步任务的的操作包

03-17

asyn_task 批量上传或下载异步处理任务的工具运行命令pip install asyn_task

Python Web：Flask异步执行任务

小韭菜的博客

01-27

7643

简介 Flask 是 Python 中有名的轻量级同步 web 框架，在一些开发中，可能会遇到需要长时间处理的任务，此时就需要使用异步的方式来实现，让长时间任务在后台运行，先将本次请求的响应状态返回给前端，不让前端界面「卡顿」，当异步任务处理好后，如果需要返回状态，再将状态返回。怎么实现呢？使用线程的方式当要执行耗时任务时，直接开启一个新的线程来执行任务，这种方式最为简单快速。通过 ThreadPoolExecutor 来实现 from flask import Flask fro

Flask使用线程异步执行耗时任务

make_progress的博客

12-02

2751

在开发Flask应用中一定会遇到执行耗时任务，但是Flask是轻量级的同步框架，即在单个请求时服务会阻被塞，直到任务完成（注意：当前请求被阻塞不会影响到其他请求）。解决异步问题有两种思路，一种是借助外部工具实现异步，例如：消息队列（RabbitMQ）、异步任务队列（Celery+Redis）；另一种借助Python中的进程、线程或协程解决异步。我的是小项目选择因此选择了第二种方法。经过测试，我在Flask中使用协程（gevent）会被阻塞；

flask+aiohttp实现异步协程来减少请求耗时

qq_52431815的博客

03-19

945

【代码】flask+aiohttp实现异步协程来减少请求耗时。

flask-celery-ml:使用Celery在Flask应用程序中处理长时间运行的流程（例如ML模型预测）

05-28

在Flask应用中处理ML预测由Austin Poor创建此存储库演示了一种通过将Flask应用程序传递给Celery来处理长时间运行的过程（例如ML模型预测）的技术。尽管这只是一个简单的示例，但是在执行缓慢而复杂的任务（例如进行ML预测，建立建议或更新数据库）时，相同的工作流程可能会有所帮助。演示版该应用程序由Redis（Celery的代理和后端），Celery工作者以及Flask应用程序组成。 Flask应用由一个简单HTML登陆页面和两个API端点组成。 HTML页面具有4个范围滑块，使您可以选择虹膜的萼片和花瓣的宽度和高度的值进行预测。当您单击Submit按钮时，一个javascript函数会将POST请求中的参数发送到/api/predict ，后者使用Celery worker安排预测，并返回将存储结果的taskid 。然后，在发出请求之后，浏览器将轮

Flask框架内容基础3 -- 使用redis实现异步任务队列

m0_59362850的博客

07-27

1320

前面所了解的所有请求都是同步的，那么当面临异步请求时，应该怎么做？调用者：携带参数发送请求API：接收请求并生成一个任务ID，接下来：返回给调用者+放到任务队列中worker：等待redis队列（List），一旦接收到任务，就执行并将结果返回到结果队列（Hash）调用者：等待n秒后，携带任务ID再次发送请求，获取结果API：接收任务ID，根据ID去结果队列（Hash）中获取。

使用 Flask 和 Celery 构建异步任务处理应用

Code掘金的博客

05-21

1155

Flask是一个轻量级的Python Web框架，它提供了简单易用的方式来构建Web应用程序。Flask具有灵活的扩展性，允许开发者根据项目的需求选择适合的组件和库。Celery是一个分布式任务队列，它可以处理大量的异步任务。Celery提供了一个简单而强大的API，可以轻松地将任务分配给多个工作进程，并提供任务状态监控和结果存储等功能。

flask异步请求研究.rar

10-30

它使得Flask能够更好地适应现代Web服务的需求，例如实时通信、后台任务处理等。通过这种方式，我们能够设计出更加高效且响应迅速的Web应用程序。在实际开发中，还可以结合使用其他库，如`aiohttp`进行异步HTTP请求...

2种方式解决Python执行卡顿问题

涛哥聊Python

09-17

4278

转载：hackpython简介Flask 是 Python 中有名的轻量级同步 web 框架，在一些开发中，可能会遇到需要长时间处理的任务，此时就需要使用异步的方式来实现...

flask框架添加异步任务处理模型任务

junjunzai123的博客

07-21

938

异步任务预测

Flask（八）异步任务与后台处理

热门推荐

网络风云的博客

03-31

1万+

在 Web 应用中，有时需要执行一些耗时操作，比如发送邮件、图片处理、数据分析等。如果这些任务在请求中同步执行，会导致用户体验变差，甚至请求超时。Flask 本身是一个同步框架，但可以结合。对于长时间任务，前端需要实时获取进度，这里使用。需 Redis / RabbitMQ。实现异步任务和后台处理。任务队列，高并发任务。

Python + Flask 执行异步任务

rs勿忘初心的博客

08-09

7294

在使用Flask开发python的web应用时，可能会遇到需要较长时间处理的任务，此时就需要使用异步的方式来实现，让长时间任务在后台运行，先将本次请求的响应状态返回给前端，不然前端界面"卡顿"，当异步任务处理好后，如果需要返回状态，再将状态返回。下面介绍两种常用的方式：（1）使用线程的方式当要执行耗时任务时，直接开启一个新的线程来执行任务，这种方式最为简单快速。通过ThreadPoolExecutor来实现 asyn_request_demo.py # -*- coding: UTF-

Flask框架实现异步处理请求

IT之一小佬的博客

08-08

8402

Flask框架实现异步处理请求

Flask实战第66天：celery实现异步任务

weixin_30699443的博客

10-08

335

Celery文档：http://docs.celeryproject.org Celery 通过消息进行通信，用专用的工作线程不断监视任务队列以执行新工作。 Celery需要消息传输来发送和接收消息。RabbitMQ和Redis代理传输功能齐全，但也支持无数其他实验解决方案，这里我们选择redis. 下面我们开始写个demo来演示怎么使用它。　　安装redis，地址:10.2.2...

Flask+Celery+Redis实现队列化异步任务

qq_41905051的博客

11-10

1万+

概述：我们考虑一个场景，公司有一个需求，现在需要做一套web系统，而这套系统某些功能需要使用一些开源工具的sdk和api，或是运行一些耗时比较大的任务（单个大任务下可能有多个小任务），需要一段时间才能提供执行结果，而前端同事要求不能让用户在页面等待，需要马上提供一个返回结果给他，任务执行完后可以拿到最终结果，并且用户退出web界面或浏览器异常关闭之后，再次返回界面，执行的过程不会中断，并且支持多用户同时执行不同操作的需要。很明显，这是一个-异步多线程-的场景，在Pyt...

Flask笔记－定时任务

abc_soul的博客

03-28

3081

一、什么是Celery? Celery 是一个异步任务队列。你可以使用它在你的应用上下文之外执行任务。总的想法就是你的应用程序可能需要执行任何消耗资源的任务都可以交给任务队列，让你的应用程序自由和快速地响应客户端请求。使用 Celery 运行后台任务并不像在线程中这样做那么简单。但是好处多多，Celery 具有分布式架构，使你的应用易于扩展。一个 Celery 安装有三个核心组件： Celer...

flask解决异步

最新发布

04-24

### 如何在 Flask 中实现异步任务或使用异步功能 #### 使用 `asyncio` 和 `aiohttp` 的方法 Flask 自身是一个同步框架，但在某些场景下可以通过引入 Python 的标准库模块 `asyncio` 来支持异步操作。通过定义异步视图函数并结合 `await` 关键字可以完成简单的异步任务。例如，在处理长时间运行的任务时，可以利用 `asyncio.sleep()` 或其他协程来模拟延迟。以下是基于 `asyncio` 的简单示例代码： ```python from flask import Flask import asyncio app = Flask(__name__) @app.route("/async") async def async_route(): await asyncio.sleep(2) # 模拟耗时操作 return "Async operation completed" if __name__ == "__main__": app.run() ``` 这种方法适用于轻量级的异步需求[^1]。 --- #### 结合 Celery 处理复杂的后台任务对于更复杂、耗时较长的操作（如批量数据处理），推荐使用 Celery 进行分布式任务队列管理。Celery 是一个强大的工具，能够与 Flask 配合工作以实现异步任务调度。它允许开发者将耗时任务从主线程分离出来，并将其放入独立的工作进程中执行。下面是一段基本配置和使用的例子： ##### 安装依赖 ```bash pip install celery redis ``` ##### 创建 Celery 应用实例并与 Redis 绑定作为消息代理 ```python from flask import Flask from celery import Celery def make_celery(app): celery_app = Celery( app.import_name, backend="redis://localhost:6379/0", broker="redis://localhost:6379/0" ) celery_app.conf.update(app.config) class ContextTask(celery_app.Task): def __call__(self, *args, **kwargs): with app.app_context(): return self.run(*args, **kwargs) celery_app.Task = ContextTask return celery_app app = Flask(__name__) celery = make_celery(app) @celery.task def long_running_task(task_id): """模拟一个耗时任务""" import time time.sleep(10) print(f"Task {task_id} finished") @app.route("/trigger/<int:task_id>") def trigger_task(task_id): long_running_task.delay(task_id) return f"Triggered task {task_id}" ``` 此方案适合于需要高可靠性和扩展性的项目环境[^2]。 --- #### 利用线程池简化小型异步任务当不想引入额外的外部组件时，也可以考虑直接采用内置的标准库 `concurrent.futures.ThreadPoolExecutor` 来创建线程池，从而快速启动子线程去执行非阻塞型任务。这种方式虽然不如前两者优雅高效，但对于一些仅需短时间并发的小规模应用场景来说已经足够满足需求了。这里给出一段示范程序片段： ```python from flask import Flask from concurrent.futures import ThreadPoolExecutor import time executor = ThreadPoolExecutor(max_workers=5) app = Flask(__name__) @app.route('/sync') def sync_data(): executor.submit(background_job) return 'Job submitted' def background_job(): time.sleep(5) print("Background job done!") if __name__ == '__main__': app.run(debug=True) ``` 该方式特别适配那些不希望增加太多学习成本或者资源消耗较小的情况下的解决方案[^3]。 --- ### 总结综上所述，针对不同类型的业务逻辑可以选择不同的技术栈来进行优化改进。如果是较为基础的功能建议优先尝试原生支持的方式；而对于更加专业化的领域则应倾向于选用专门设计用于解决此类问题的技术产品组合起来共同发挥作用。