django -- Celery实现异步任务

本文介绍如何在Python 2.7环境下使用Django 1.11.2与Celery 3.1.25集成,实现定时任务。通过安装必要的依赖、配置Django项目及Celery,设置Redis为Broker,并演示了简单的异步任务调用。
1. 环境
python==2.7

djang==1.11.2  # 1.8, 1.9, 1.10应该都没问题

celery-with-redis==3.0  # 需要用到redis作为中间人服务(Broker)
celery==3.1.25  # 安装上面的会自动安装
kombu==3.0.37
billiard==3.3.0.23

django-celery==3.2.2  # celery插件, 实现定时任务

celery>=4.0 不支持windows, 具体参考官方文档

2. 安装
pip install django==1.11.2 celery-with-redis==3.0 django-celery==3.2.2
3. 安装Redis, 用作Broker (RabbitMQ 官方推荐, 但安装麻烦点)
教程很多, 略
4. 新建django项目

官方文档

- Demo
  - Demo
    setting.py
    wsgi.py
    urls.py
  - app
    - migrations
    models.py
    views.py
    ...
  • 配置settings.py
INSTALLED_APPS = (
    ...
    'app',
    'djcelery',# django-celery 可以在admin后台定义定时任务, 开始前需要直接migrate
)


BROKER_URL = 'redis://127.0.0.1:6379/0'
BROKER_TRANSPORT = 'redis'

CELERYBEAT_SCHEDULER = 'djcelery.schedulers.DatabaseScheduler'  # 数据库调度
  • 新建文件Demo/Demo/celery.py
from __future__ import absolute_import

import os

from celery import Celery

# set the default Django settings module for the 'celery' program.
os.environ.setdefault('DJANGO_SETTINGS_MODULE', 'Demo.settings')

from django.conf import settings  # noqa

app = Celery('Demo')

# Using a string here means the worker will not have to
# pickle the object when using Windows.
app.config_from_object('django.conf:settings')
app.autodiscover_tasks(lambda: settings.INSTALLED_APPS)


@app.task(bind=True)
def debug_task(self):
    print('Request: {0!r}'.format(self.request))
  • 新建Demo/app/tasks.py
from Demo.celery import app

@app.task
def cus_task(*arg):
    print('This is a test task')
  • 编辑Demo/app/views.py
from django.shortcuts import render, HttpResponse

from .tasks import cus_task


def index(request):
    cus_task.delay()
    return HttpResponse("Test async task")
  • 启动djangocelery
# django
python manage.py runserver

# celery
celery -A Demo worker -l debug
admin后台中配置celery计划
  • 配置
# 如上settings.py中的设置, 后执行
python manage.py migrate djcelery
  • 登陆admin后台进行配置
# Djcelery模块列表

Crontabs  # 同linux crontab
Intervals  # 间隔
Periodic tasks  # 周期任务
Tasks
Workers

配置一个periodic task任务内容 app.tasks.cus_taskcrontabinterval设置每5s执行一次

  • 启动django和celery, 并查看日志
celery -A Demo worker -l debug

# 另一个窗口
celery -A Demo beat -l debug --max-interval=10  # 每10s扫描一次djcelery任务

补充

  • [ ] 安装flower
pip install flower
  • [ ] 启动flower(默认启动一个webserver:5555)
python manage.py celery flower
  • [ ] 浏览器打开 http://localhost:5555查看具体

转载于:https://www.cnblogs.com/belic/p/8987687.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值