虽然现代的网络应用比以往任何时候都更快速、更便捷，但仍有许多情况下，需要把繁重的任务转移到系统的其他部分执行，而不是在主线程上进行工作。
这些情况中的示例如下：
周期性任务 —— 计划在特定时间间隔内运行的工作。例如，每日、每月的报告生成。第三方工具 —— 应用程序应该快速向用户返回响应，而不是等待其他任务先完成。例如，发送电子邮件、通知，将更新进度传递给内部工具。长时间运行的工作 —— 执行复杂或资源昂贵的工作，并且用户需要等待工作完成。例如。dag工作流、基于map-reduce的任务、长时间运行的spark作业等。那么，如何处理这些情况呢？这时，celery就派上用场了。
什么是celery？celery是一个开源的任务队列实现，通常与基于python的网络框架（如flask和django）相结合，在典型的请求-响应周期之外异步执行任务。
因此，celery本质上是一个基于分布式消息传递的任务队列。执行单元或任务在一个或多个worker上使用多处理、gevent或eventlet同时执行。这些任务可以同步执行（即等到准备就绪）或异步执行（即在后台）。
celery是如何工作的？celery是一个分布式任务队列，基于生产者-消费者模式。
任务队列是用于跨线程和机器分配工作的机制，本质上是生产者（web应用程序）和消费者（celery工作者）之间的消息中介。
celery通过消息进行交互，代理（broker）在客户（生产者）和工作者（消费者）之间充当中间人。为了启动任务，客户端将消息推送到队列中，然后代理将该消息传递给工作者。
celery系统可以由多个worker和broker组成，这为高可用性和横向扩展提供了可能。
简而言之，celery客户端是生产者，它通过消息代理向队列中添加新的任务。然后，celery工作者同样通过消息代理从队列中获取新的任务。一旦处理完毕，结果就会存储在结果后端。
工作实例下面的例子将使用redismq作为消息代理。
设置redis在linux/macos系统上，通过以下命令在本地运行redis服务器：
$ wget http://download.redis.io/redis-stable.tar.gz $ tar xvzf redis-stable.tar.gz $ rm redis-stable.tar.gz $ cd redis-stable $ make
设置好redis后，通过执行以下命令运行redis服务器：
$ redis-server
该服务器在默认的6379端口运行。
设置应用程序首先，在本地设置python项目。
celery可以通过标准工具如pip或easy_install来安装。通过以下命令安装celery和redis：
pip install celery redis==4.3.4
现在需要一个celery实例来运行应用程序，celery实现任何任务都是以实例开始，比如创建和管理任务等。
在项目中创建一个文件tasks.py：
from celery import celery broker_url = 'redi://localhost:6379/0' app = celery('tasks',broker = broker_url) @app.task def add(x, y): return x+y
这里定义了一个简单的任务add()，返回两个数字的总和。
运行celery worker在终端上，切换到项目位置并用以下命令运行celery worker：
$ celery -a tasks worker - loglevel=info
关于celery worker命令行的详细信息，可以使用help：
$ celery worker - help
调用任务在celery中，使用delay()方法来调用任务。
打开项目的另一个终端窗口并运行以下命令：
$ python
这将打开python命令行。
>> from tasks import add >> add.delay(1,2)
这将返回一个asyncresult实例，可以用来检查任务状态，获得其返回值，等待任务完成，也可以在失败时获得异常和回溯。
运行add.delay()命令后，任务会被推送到队列中，然后被worker获取。这可以在celery worker终端上进行验证，可以清楚地看到任务被接收，之后任务成功完成。
以上就是学习python celery，轻松完成异步任务的详细内容。