1.简介
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。它侧重于实时操作，但对调度支持也很好。
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。
建议的消息代理rabbitmq的，但提供有限支持redis, beanstalk, mongodb, couchdb, ，和数据库（使用sqlalchemy的或django的 orm） 。
celery是易于集成django, pylons and flask，使用 django-celery, celery-pylons and flask-celery 附加包即可。
2. 安装
有了上面的概念，需要安装这么几个东西：rabbitmq、sqlalchemy、celery
安装方式也都很简单： rabbitmq:
mac下：
brew install rabbitmq
linux:
sudo apt-get install rabbitmq-server
剩下两个都是python的东西了，直接pip安装就好了，对于从来没有安装过mysql驱动的同学可能需要安装mysql-python。
安装完成之后，启动服务:
$ rabbitmq-server[回车]
启动后不要关闭窗口, 下面操作新建窗口(tab)
3. 简单案例
确保你之前的rabbitmq已经启动。
还是官网的那个例子，在任意目录新建一个tasks.py的文件，内容如下：
from celery import celery
app = celery(‘tasks’, broker=’amqp://guest@localhost//’)
@app.task
def add(x, y):
return x + y
在同级目录执行:
$ celery -a tasks worker –loglevel=info
该命令的意思是启动一个worker，把tasks中的任务（add(x,y)）把任务放到队列中。
保持窗口打开，新开一个窗口进入交互模式，python或者ipython:
>>> from tasks import add
>>> add.delay(4, 4)
到此为止，你已经可以使用celery执行任务了，上面的python交互模式下简单的调用了add任务，并传递4，4参数。
但此时有一个问题，你突然想知道这个任务的执行结果和状态，到底完了没有。因此就需要设置backend了。
修改之前的tasks.py中的代码为：
# coding:utf-8
import subprocess
from time import sleep
from celery import celery
backend = ‘db+mysql://root:@192.168.0.102/celery’
broker = ‘amqp://guest@192.168.0.102:5672’
app = celery(‘tasks’, backend=backend, broker=broker)
@app.task
def add(x, y):
sleep(10)
return x + y
@app.task
def hostname():
return subprocess.check_output([‘hostname’])
除了添加backend之外，上面还添加了一个who的方法用来测试多服务器操作。修改完成之后，还是按照之前的方式启动。
同样进入python的交互模型:
>>> from tasks import add, hostname
>>> r = add.delay(4, 4)
>>> r.ready() # 10s内执行，会输出false，因为add中sleep了10s
>>>
>>> r = hostname.delay()
>>> r.result # 输出你的hostname
4. 测试多服务器
做完上面的测试之后，产生了一个疑惑，celery叫做分布式任务管理，那它的分布式体现在哪？它的任务都是怎么执行的？在哪个机器上执行的？
在当前服务器上的celery服务不关闭的情况下，按照同样的方式在另外一台服务器上安装celery，并启动:
$ celery -a tasks worker –loglevel=info
发现前一个服务器的celery服务中输出你刚启动的服务器的hostname，前提是那台服务器连上了你的rabbitmq。
然后再进入python交互模式:
>>> from tasks import hostname
>>>
>>> for i in range(10):
… r = hostname.delay()
… print r.result # 输出你的hostname
>>>
看你输入的内容已经观察两台服务器上你启动celery服务的输出。
5. rabbitmq远程连接的问题
一开始测试时远程服务器无法连接本地的rabbitmq服务，后来发现需要设置权限，在/usr/local/etc/rabbitmq/rabbitmq-env.conf这个文件中，修改node_ip_address=127.0.0.1中的ip为0.0.0.0。
6. 总结的说
这篇文章简单的介绍了celery的使用，重点还是在分布式的使用。觉得不太爽的地方是，在扩展时，需要重新把代码（tasks.py）部署一遍，而不是可以直接把tasks进行共享，可能celery是通过task来进行不同的worker的匹配的？目前还不太了解，等深入使用之后再说。