Celery(芹菜)是一个异步任务队列/基于分布式消息传递的作业队列。
Celery用于生产系统每天处理数以百万计的任务。
Celery是用Python编写的，但该协议可以在任何语言实现。它也可以与其他语言通过webhooks实现。
由于Celery 3.0系列对以前的系列进行了大量重构优化，现在开始使用就没必要研究旧版本了，所以此介绍以3.0.24的文档为基础。
Celery的工作结构
在使用Celery的时候要明白它的大致结构，Celery的结构非常简单，大致分为3个部分：
- worker部分负责任务的处理，即工作线程，在我的理解中工作线程就是你写的python代码，当然还包括python调用系统工具功能
- broker部分负责任务消息的分发以及任务结果的存储，这部分任务主要由中间数据存储系统完成，比如消息队列服务器RabbitMQ、redis、
Amazon SQS、MongoDB、IronMQ等或者关系型数据库，使用关系型数据库依赖sqlalchemy或者django的ORM - Celery主类，进行任务最开始的指派与执行控制，他可以是单独的python脚本，也可以和其他程序结合，应用到django或者flask等
web框架里面以及你能想到的任何应用
Celery的安装
Celery只是一个python包，所以可以通过pip或者easy_install安装
pip install celery
easy_install install celery
除此之外还需要安装broker的系统，我使用的是redis，除了安装redis以外还需要安装celery-with-redis
pip install celery-with-redis
使用其他类型的broker请参见: 官方文档
Celery的初步使用
启动celery之前先架设好broker服务，安装好redis后以默认方式启动就可以了。
连接方式为：redis://localhost:6379/0
接下来编写任务脚本tasks.py,这个脚本在worker部分和任务分发部分都需要用到：
from celery import Celery
celery = Celery('tasks', broker='redis://localhost:6379/0')
@celery.task
def add(x, y):
return x + y
执行命令启动worker进行：
#这个命令要在tasks.py文件目录运行，命令表示以worker模式启动一个名为tasks的APP
#worker的名称是test-worker1，一台服务器上可以启动多个worker，只要名称不同，
#启动好的worker会自动根据tasks.py的信息注册到broker服务中，等待分发任务。
celery -A tasks worker --loglevel=info --hostname=test-worker1
执行任务,使用delay()放，如下：
>>> from tasks import add
>>> add.delay(4, 4)
也可以使用apply_async()方法，把结果存储在类似broker的backend系统中，可以和broker在同一个服务中，
更改tasks.py中的实例化celery一行,加入backend参数：
celery = Celery('tasks', broker='redis://localhost:6379/0', backend='redis://localhost:6379/0')
重新执行任务，使用apply_async把结果存储下来，在需要的时候调用get()进行获取，如下：
>>> from tasks import add
>>> result = add.apply_async(4, 4)
>>> result.get()
Celery配置
Celery有很多全局变量，不配置的情况下取默认值，当我们需要配置的时候可以把所有的参数写到一个py文件中然后在
任务文件中进行加载，也可以直接用一个类写到任务文件中，还可以直接对celery类的conf对象直接进行update操作：
方法1，直接加载py文件：
celeryconfig.py:
BROKER_URL = 'amqp://'
CELERY_RESULT_BACKEND = 'amqp://'
CELERY_TASK_SERIALIZER = 'json'
CELERY_RESULT_SERIALIZER = 'json'
CELERY_TIMEZONE = 'Europe/Oslo'
CELERY_ENABLE_UTC = True
from celery import Celery
celery = Celery()
celery.config_from_object('celeryconfig')
方法2，直接对conf进行update：
from celery import Celery
celery = Celery()
celery.conf.update(
CELERY_TASK_SERIALIZER='json',
CELERY_RESULT_SERIALIZER='json',
CELERY_TIMEZONE='Europe/Oslo',
CELERY_ENABLE_UTC=True,
)
or
celery.conf.CELERY_TASK_SERIALIZER = 'json'
方法3，直接加载类或对象:
from celery import Celery
celery = Celery()
class Config:
CELERY_ENABLE_UTC = True
CELERY_TIMEZONE = 'Europe/London'
celery.config_from_object(Config)
Celery任务分发控制
在celery里面任务分发控制叫task routing即任务路由
celery的分发控制使用比较简单，但是高级功能比较复杂，我还不能完全理解，就介绍一下最基础的任务路由方法。
在worker进程启动的时候可以使用参数-Q指定当前worker所能接受的队列消息：
celery -A tasks.tasks worker --loglevel=info --hostname=testq-worker -Q 'testq'
然后在任务分发的过程中，调用apply_async或者delay方法中指定queue参数，当queue与worker的-Q相匹配时任务
就可以被分发到相应的worker进程中：
>>> from tasks import add
>>> result = add.apply_async(4, 4, queue='testq')
>>> result.get()
更高级的使用方法请大家研究官网的文档：
docs-routing
Celery的管理
celery的管理有几种方式，比较直观的有一个叫flower的webui，可以提供任务查询，worker的生命管理以及路由管理，可以在界面上
进行实时的路由key添加（就是在worker启动时-Q参数指定的值）
使用方式为：
pip install flower
celery flower --port=5555 --broker=redis://localhost:6379/0
还有一种对任务进行实时监控的方式为celery本身提供的events的功能，启动方式为：
celery events --broker=redis://localhost:6379/0
结束语
celery还有很多功能没来得及研究，我准备把celery应用于服务器管理中一些任务的执行，来代替linux的crontab和一些手工操作，提升更强的灵活性以及更加直观
