如何将一系列任务路由到芹菜中的特定队列?

How to route a chain of tasks to a specific queue in celery?(如何将一系列任务路由到芹菜中的特定队列?)
本文介绍了如何将一系列任务路由到芹菜中的特定队列?的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着跟版网的小编来一起学习吧!

问题描述

当我将任务路由到特定队列时,它会起作用:

When I route a task to a particular queue it works:

task.apply_async(queue='beetroot')

但是如果我创建一个链:

But if I create a chain:

chain = task | task

然后我写

chain.apply_async(queue='beetroot')

它似乎忽略了 queue 关键字并分配给默认的 'celery' 队列.

It seems to ignore the queue keyword and assigns to the default 'celery' queue.

如果 celery 支持链中路由就好了 - 所有任务都在同一个队列中按顺序执行.

It would be nice if celery supported routing in chains - all tasks executed sequentially in the same queue.

推荐答案

好的,我想通了.

您必须将所需的执行选项(如 queue= 或 countdown=)添加到子任务定义中,或者通过部分:

You have to add the required execution options like queue= or countdown= to the subtask definition, or through a partial:

子任务定义:

from celery import subtask

chain = subtask('task', queue = 'beetroot') | subtask('task', queue = 'beetroot')

部分:

chain = task.s().apply_async(queue = 'beetroot') | task.s().apply_async(queue = 'beetroot')

然后你通过以下方式执行链:

Then you execute the chain through:

chain.apply_async()

或者,

chain.delay()

任务将被发送到甜菜根"队列.最后一个命令中的额外执行参数不会做任何事情.在链(或组,或任何其他 Canvas 原语)级别应用所有这些执行参数会很不错.

And the tasks will be sent to the 'beetroot' queue. Extra execution arguments in this last command will not do anything. It would have been kind of nice to apply all of those execution arguments at the Chain (or Group, or any other Canvas primitives) level.

这篇关于如何将一系列任务路由到芹菜中的特定队列?的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持跟版网!

本站部分内容来源互联网,如果有图片或者内容侵犯了您的权益,请联系我们,我们会在确认后第一时间进行删除!

相关文档推荐

Seasonal Decomposition of Time Series by Loess with Python(Loess 用 Python 对时间序列进行季节性分解)
Resample a time series with the index of another time series(使用另一个时间序列的索引重新采样一个时间序列)
How can I simply calculate the rolling/moving variance of a time series in python?(如何在 python 中简单地计算时间序列的滚动/移动方差?)
How to use Dynamic Time warping with kNN in python(如何在python中使用动态时间扭曲和kNN)
Keras LSTM: a time-series multi-step multi-features forecasting - poor results(Keras LSTM:时间序列多步多特征预测 - 结果不佳)
Python pandas time series interpolation and regularization(Python pandas 时间序列插值和正则化)