源码解析 并行分布式框架 Celery 之架构 (1)
目录
- [源码解析] 并行分布式框架 Celery 之架构 (1)
- 0x00 摘要
- 0x01 Celery 简介
- 1.1 什么是 Celery
- 1.2 场景
- 1.3 特性
- 1.4 区别
- 0x02 Celery的架构
- 2.1 组件
- 2.2 任务流程
- 2.3 架构图
- 0x03 Celery 设计推理
- 3.1 Celery 基本功能
- 3.2 Celery 辅助功能
- 3.3 如何划分
- 0x04 对 AMQP / Kombu 的封装
- 4.1 封装
- 4.2 Queues
- 0x05 TBC
- 0xFF 参考
0x00 摘要
Celery是一个简单、灵活且可靠的，处理大量消息的分布式系统，专注于实时处理的异步任务队列，同时也支持任务调度。
前面我们用几篇文章分析了 Kombu，为 Celery 的分析打下了基础。
[源码分析] 消息队列 Kombu 之 mailbox
[源码分析] 消息队列 Kombu 之 Hub
[源码分析] 消息队列 Kombu 之 Consumer
[源码分析] 消息队列 Kombu 之 Producer
[源码分析] 消息队列 Kombu 之 启动过程
[源码解析] 消息队列 Kombu 之 基本架构
本系列将继续通过源码分析，和大家一起深入学习 Celery。本文是系列第一篇，借鉴了几位网友的大作，按照自己的理解再重新整理，遂得此文。
0x01 Celery 简介
1.1 什么是 Celery
Celery是Python世界中最受欢迎的后台工作管理者之一。它是一个简单、灵活且可靠的，处理大量消息的分布式系统，专注于实时处理的异步任务队列，同时也支持任务调度。
利用多线程，如Eventlet，gevent等，Celery的任务能被并发地执行在单个或多个工作服务器（worker servers）上。任务能异步执行（后台运行）或同步执行（等待任务完成）。Celery用于生产系统时候每天可以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。
Celery建议的消息队列是RabbitMQ，但也支持Redis, Beanstalk, MongoDB, CouchDB, 和数据库（使用SQLAlchemy的或Django的 ORM） 。并且可以同时充当生产者和消费者。
1.2 场景
使用Celery的常见场景如下：
- Web应用。当用户触发的一个操作需要较长时间才能执行完成时，可以把它作为任务交给Celery去异步执行，执行完再返回给用户。这段时间用户不需要等待，提高了网站的整体吞吐量和响应时间。
- 定时任务。生产环境经常会跑一些定时任务。假如你有上千台的服务器、上千种任务，定时任务的管理很困难，Celery可以帮助我们快速在不同的机器设定不同种任务。
- 同步完成的附加工作都可以异步完成。比如发送短信/邮件、推送消息、清理/设置缓存等。
1.3 特性
Celery提供了如下的特性：
- 方便地查看定时任务的执行情况，比如执行是否成功、当前状态、执行任务花费的时间等。
- 可以使用功能齐备的管理后台或者命令行添加、更新、删除任务。
- 方便把任务和配置管理相关联。
- 可选多进程、Eventlet 和 Gevent 三种模式并发执行。
- 提供错误处理机制。
- 提供多种任务原语，方便实现任务分组、拆分和调用链。
- 支持多种消息代理和存储后端。
1.4 区别
消息队列和任务队列，最大的不同之处就在于理念的不同 -- 消息队列传递的是“消息”，任务队列传递的是“任务”。
- 消息队列用来快速消费队列中的消息。消息队列更侧重于消息的吞吐、处理，具有有处理海量信息的能力。另外利用消息队列的生长者和消费者的概念，也可以实现任务队列的功能，但是还需要进行额外的开发。
- 任务队列是用来执行一个耗时任务。任务队列则提供了执行任务所需的功能，比如任务的重试，结果的返回，任务状态记录等。虽然也有并发的处理能力，但一般不适用于高吞吐量快速消费的场景。
0x02 Celery的架构
Celery 的基本逻辑为：分布式异步消息任务队列。
在 Celery 中，采用的是分布式的管理方式，每个节点之间都是通过广播/单播进行通信，从而达到协同效果。实际上，只有部分辅助管理功能才会协同，基础业务功能反而没有借助协同。
2.1 组件
Celery包含如下组件：
- Celery Beat：任务调度器，Beat进程会读取配置文件的内容，周期性地将配置中到期需要执行的任务发送给任务队列。
- Celery Worker：执行任务的消费者，通常会在多台服务器运行多个消费者来提高执行效率。
- Broker：消息代理，或者叫作消息中间件，接受任务生产者发送过来的任务消息，存进队列再按序分发给任务消费方（通常是消息队列或者数据库）。
- Producer：调用了Celery提供的API、函数或者装饰器而产生任务并交给任务队列处理的都是任务生产者。
- Result Backend：任务处理完后保存状态信息和结果，以供查询。Celery默认已支持 Redis、RabbitMQ、MongoDB、Django ORM、SQLAlchemy 等方式。
再理解一下：
- 系统可以有多个"消息队列"（message Queue），不同的消息可以指定发送给不同的Message Queue。
- 上述功能是通过Exchange来实现的，发送消息到"消息队列"中时，可以指定 routing_key，Exchange 通过routing_key 来把消息路由（routes）到不同的"消息队列"中去（Celery的底层依赖Kombu，里面涉及Exchange）。
- exchange 对应 一个消息队列（queue），即：通过 "消息路由" 的机制使exchange对应queue，每个queue对应每个worker。
2.2 任务流程
Celery 通过消息机制进行通信，通常使用中间人（Broker）作为客户端和职程（Worker）调节。启动一个任务的流程是：
- 客户端向消息队列发送一条消息；
- 然后中间人（Broker）将消息传递给一个职程（Worker），支持RabbitMQ、Redis等作为Broker。；
- 最后由职程（Worker）进行执行中间人（Broker）分配的任务；
2.3 架构图
Celery的架构图如下所示：
代码语言：javascript复制 ----------- --------------
| Producer | | Celery Beat |
------- --- ---- ---------
| |
| |
v v
-------------------------
| Broker |
------------ ------------
|
|
|
-------------------------------
| | |
v v v
---- ----- ---- ------ ----- ----
| Exchange | | Exchange | | Exchange |
---- ----- ---- ------ ---- -----
| | |
v v v
----- ------- -------
|queue| | queue | | queue |
-- -- --- --- --- ---
| | |
| | |
v v v
--------- -------- ----------
| worker | | Worker | | Worker |
----- --- --- ---- ---- -----
| | |
| | |
-----------------------------
|
|
v
--- -----
| backend |
--------- 0x03 Celery 设计推理
目前我们得到如下信息：
- Celery 的基本逻辑为：分布式异步消息任务队列；
- Celery底层依赖 Kombu，基于 Kombu 完成基本功能；
- 之前我们通过若干文章，基本了解了 Kombu 的大致逻辑；
下面我们就需要依据 Kombu来推论 Celery 应该如何设计。
3.1 Celery 基本功能
首先，我们看看为了完成基本功能，Celery 应该具备哪些组件（模块），我们会提出一些问题，这些问题将在后续的分析中陆续得到解答。
因为Celery 的基本逻辑为：分布式异步消息任务队列，所以Celery包含如下基础组件：
- Producer：需要有一个组件完成如下功能 ：把用户定义的代码打包整合成任务提交给任务队列处理。问题就在于：
- 对于任务，也就是task如何处理？
- task的本质是什么？
- task 应该包括哪些功能？
- 如果task是函数，如何把task函数传递给服务端？如果task函数内容很大怎么办？
- 如何把task相关信息从客户端传递到服务端？
- Broker：为了解耦合，需要有一个中间组件来缓存消息。这就是 消息代理，或者叫作消息中间件。其作用是接受任务生产者发送过来的任务消息，存进队列再按序分发给任务消费方（通常是消息队列或者数据库）。问题在于：
- 如何区分不同的消息来源，即如何路由？
- 是否有容错机制？
- Worker：需要有一个组件来执行任务，这就是 Worker：
- Worker 需要从 broker 接受任务。这就需要一个consumer，问题就是：Consumer 如何从 broker 获取消息。
- 接受任务之后，Worker 需要了解任务，知道怎么执行任务，执行任务。所以有一个问题：Worker 怎么知道 client 端的任务？
- 通常会在多台服务器运行多个 worker 来提高执行效率。这就涉及到一个问题：多个 worker 之间如何协调？如何在多个 Worker 之间分配任务？
- Result Backend：任务处理完后保存状态信息和结果，以供查询。Celery默认已支持Redis、RabbitMQ、MongoDB、Django ORM、SQLAlchemy等方式。
3.2 Celery 辅助功能
以上为基础功能，但是作为分布式异步消息任务队列，我们还需要辅助功能（以及相关问题），比如。
- 用于执行定时任务的timer；
- 需要处理监控事件；
- 如何通过远程命令管理；
- worker 出现问题，如何处理；
- 如何提高并发？
- 如何封装amqp？
- 如何进行消息循环引擎？
- 以上功能哪些属于带有分布式特点的？
3.3 如何划分
进一步问题是：这些辅助功能是作为基础功能模块的一部分？还是独立出来成为一个功能模块？
这其实是一个哲学问题，每种实现都有其道理，或者说，很多决定其实就是作者灵光一现（临时拍脑袋）的产物。
比如我们后面提到的 Consumer 组件，表面上看，就是一个从broker获取消息的功能模块，直接使用 kombu 的 consumer 就可以做到。
但是实际上，celery Consumer 组件的概念远远要大于Kombu的Consumer，不只是利用了Kombu的Consumer从broker取得消息。也包括消息的消费，分发，监控，心跳等一系列功能。可以说，除了消息循环引擎 被 hub 承担，多进程被 Pool，Autoscaler 承担，定时任务被 timer，beat 承担之外，其他主要功能都被 Consumer 承担。
因此，我们需要看看：
- 哪些组件可以利用 Kombu直接完成，哪些需要Celery自己重新设计。
- 若重新设计，哪些可以基于Kombu设计，如何调用相应Kombu模块。
- 若使用Kombu模块作为Celery模块的变量，这些Kombu模块分别属于哪些Celery模块。
0x04 对 AMQP / Kombu 的封装
Celery如果想成为消息处理系统，首先需要解决消息协议和消息传输问题。
- 消息协议由 AMQP（Advanced Message Queuing Protocol:高级消息队列协议）解决。Celery 支持所有AMQP路由机制，可以通过配置的方式，执行相关的消息路由。
- 消息实现和传输由 Kombu 解决。由之前对 Kombu 的分析我们知道，Kombu 的定位是一个兼容 AMQP 协议的消息队列抽象，是一个把消息传递封装成统一接口的库。
所以我们首先看看如何封装 AMQP / Kombu。
具体封装是在 celery/app/amqp.py 文件中，其中主要有两个类：AMQP 和 Queues。
4.1 封装
AMQP类的功能是 发送/接受消息，是对amqp协议实现的再一次封装，在这里其实就是对 kombu 类的再一次封装。
我们可以看到，其内部成员变量都是来自于 Kombu。比如 Connection, Consumer, Exchange, Producer, Queue, pools。
代码语言：javascript复制from kombu import Connection, Consumer, Exchange, Producer, Queue, pools
class AMQP:
"""App AMQP API: app.amqp."""
Connection = Connection
Consumer = Consumer
Producer = Producer
#: compat alias to Connection
BrokerConnection = Connection
queues_cls = Queues
#: Cached and prepared routing table.
_rtable = None
#: Underlying producer pool instance automatically
#: set by the :attr:`producer_pool`.
_producer_pool = None
# Exchange class/function used when defining automatic queues.
# For example, you can use ``autoexchange = lambda n: None`` to use the
# AMQP default exchange: a shortcut to bypass routing
# and instead send directly to the queue named in the routing key.
autoexchange = None为了更好的理解，我们打印出amqp类的具体内容来看看。
代码语言：javascript复制amqp = {AMQP}
BrokerConnection = {type} <class 'kombu.connection.Connection'>
Connection = {type} <class 'kombu.connection.Connection'>
Consumer = {type} <class 'kombu.messaging.Consumer'>
Producer = {type} <class 'kombu.messaging.Producer'>
app = {Celery} <Celery myTest at 0x252bd2903c8>
autoexchange = {NoneType} None
default_exchange = {Exchange} Exchange celery(direct)
default_queue = {Queue} <unbound Queue celery -> <unbound Exchange celery(direct)> -> celery>
producer_pool = {ProducerPool} <kombu.pools.ProducerPool object at 0x00000252BDC8F408>
publisher_pool = {ProducerPool} <kombu.pools.ProducerPool object at 0x00000252BDC8F408>
queues = {Queues: 1} {'celery': <unbound Queue celery -> <unbound Exchange celery(direct)> -> celery>}
queues_cls = {type} <class 'celery.app.amqp.Queues'>
router = {Router} <celery.app.routes.Router object at 0x00000252BDC6B248>
routes = {tuple: 0} ()
task_protocols = {dict: 2} {1: <bound method AMQP.as_task_v1 of <celery.app.amqp.AMQP object at 0x00000252BDC74148>>, 2: <bound method AMQP.as_task_v2 of <celery.app.amqp.AMQP object at 0x00000252BDC74148>>}
_event_dispatcher = {EventDispatcher} <celery.events.dispatcher.EventDispatcher object at 0x00000252BE750348>
_producer_pool = {ProducerPool} <kombu.pools.ProducerPool object at 0x00000252BDC8F408>
_rtable = {tuple: 0} ()具体逻辑如下：
代码语言：javascript复制 ---------
| Celery | ----------------------------
| | | celery.app.amqp.AMQP |
| | | |
| | | |
| | | BrokerConnection -----> kombu.connection.Connection
| | | |
| amqp -----> Connection -----> kombu.connection.Connection
| | | |
--------- | Consumer -----> kombu.messaging.Consumer
| |
| Producer -----> kombu.messaging.Producer
| |
| producer_pool -----> kombu.pools.ProducerPool
| |
| queues -----> celery.app.amqp.Queues
| |
| router -----> celery.app.routes.Router
---------------------------- 4.2 Queues
Queues 则是一个扩展，一个逻辑概念，可以认为是 Broker 概念的进一步缩减版。
Producer 把任务发送给 Queues，Worker 从 Queues 获取任务，进行消费。
app.amqp.queues 就是 Queues 的一个实例，在其中存储了本 Worker 可以读取的所有 kombu.Queue。
代码语言：javascript复制class Queues(dict):
"""Queue name⇒ declaration mapping.
Arguments:
queues (Iterable): Initial list/tuple or dict of queues.
create_missing (bool): By default any unknown queues will be
added automatically, but if this flag is disabled the occurrence
of unknown queues in `wanted` will raise :exc:`KeyError`.
max_priority (int): Default x-max-priority for queues with none set.
"""
#: If set, this is a subset of queues to consume from.
#: The rest of the queues are then used for routing only.
_consume_from = None
def __init__(self, queues=None, default_exchange=None,
create_missing=True, autoexchange=None,
max_priority=None, default_routing_key=None):
dict.__init__(self)
self.aliases = WeakValueDictionary()
self.default_exchange = default_exchange
self.default_routing_key = default_routing_key
self.create_missing = create_missing
self.autoexchange = Exchange if autoexchange is None else autoexchange
self.max_priority = max_priority
if queues is not None and not isinstance(queues, Mapping):
queues = {q.name: q for q in queues}
queues = queues or {}
for name, q in queues.items():
self.add(q) if isinstance(q, Queue) else self.add_compat(name, **q)对于一个 Consumer，可以配置其 queue，一个 Consumer 可以有多个queue，比如：
代码语言：javascript复制def add_consumer(state, queue, exchange=None, exchange_type=None,
routing_key=None, **options):
"""Tell worker(s) to consume from task queue by name."""
state.consumer.call_soon(
state.consumer.add_task_queue,
queue, exchange, exchange_type or 'direct', routing_key, **options)
return ok(f'add consumer {queue}')add_consumer 名字个人认为有一定误导，其实是添加 queue，但是名字看起来像添加 Consumer。
而在 Consumer 之中，会对 queues 进行具体配置。
代码语言：javascript复制def add_task_queue(self, queue, exchange=None, exchange_type=None,
routing_key=None, **options):
cset = self.task_consumer
queues = self.app.amqp.queues
if queue in queues:
q = queues[queue]
else:
exchange = queue if exchange is None else exchange
exchange_type = ('direct' if exchange_type is None
else exchange_type)
q = queues.select_add(queue,
exchange=exchange,
exchange_type=exchange_type,
routing_key=routing_key, **options)
if not cset.consuming_from(queue):
cset.add_queue(q)
cset.consume()
info('Started consuming from %s', queue)0x05 TBC
通过以上的分析，大家应该对 Celery 的架构有了初步的了解。在下篇文章中，我们将从几个方面做进一步思考，敬请期待。
0xFF 参考
Nginx资料之Master与Worker基础概念
1: Worker 启动流程概述
2: Worker 的执行引擎
3: Task 对象的实现
4: 定时任务的实现
5: 远程控制管理
6: Events 的实现
7: Worker 之间的交互
8: State 和 Result
Spark分布式计算引擎的应用
mfc 消息消息队列概念_消息队列和任务队列到底有什么不同？
