python中使用高并发分布式队列库celery的那些坑 - 指南
python中使用高并发分布式队列库celery的那些坑
- ? 简单理解
- ?️ 核心功能
- ? 工作机制
- ? 示例代码（使用 Redis 作为 broker）
- ? 常见搭配
- ? 我的环境
- ?第一个问题
- ?第二个问题
- 原因分析
Celery 是一个用于 分布式任务队列 的 Python 库，常用于处理异步任务（即任务不需要立即执行，后台慢慢做），尤其适合执行定时任务或耗时操作。
? 简单理解
Celery 就是让你把“任务”扔到后台执行，而不是阻塞当前程序。
?️ 核心功能
| 功能 | 说明 |
|---|---|
| 异步任务执行 | 比如发邮件、处理图片、生成报告等不需要立即完成的操作。 |
| 分布式任务调度 | 可以运行在多台服务器上，实现任务负载均衡。 |
| 定时任务（周期任务） | 类似 crontab，可设置任务定时执行（如每天 8 点发日报）。 |
| 任务重试机制 | 失败任务可以自动重试，适用于网络波动等场景。 |
| 与Django/Flask集成 | 非常适合与这些 Web 框架配合使用，将长耗时任务下放到 Celery。 |
? 工作机制
Celery 一般由以下几部分组成：
- Producer（生产者）：你写的代码，会将任务“发”出去。
- Broker（中间人）：任务先存放在消息队列（如 Redis、RabbitMQ）中。
- Worker（工人）：后台运行的进程，专门“接收”和“执行”这些任务。
- Result Backend（结果后端）：可选，记录任务结果，如执行成功或失败。
? 示例代码（使用 Redis 作为 broker）
# tasks.py
from celery import Celery
app = Celery('mytasks'
, broker='redis://localhost:6379/0'
)
@app.task
def add(x, y):
return x + y运行方式：
celery -A tasks worker --loglevel=info调用方式（异步执行）：
add.delay(3
, 5
) # 返回一个异步结果对象? 常见搭配
- 消息中间件：Redis、RabbitMQ（推荐 Redis 简单易用）
- Web框架集成：Django、Flask
- 配合 Flower、Prometheus、Grafana 等工具可实现任务监控
如果你正在开发一个 需要做“异步处理”或“后台任务”的系统，Celery 是 Python 中的主流选择之一。但是该库看似简单，却隐藏着无数坑，本文就带大家了解一下我在使用过程中遇到的那些坑。
? 我的环境
- windows 10
- python 3.12
- celery 5.5.2
?第一个问题
执行命令：
celery -A main_async:celery_app worker --loglevel=info报错：
[2025-05-29 19:40:22,107: INFO/MainProcess] Task main_async.background_content_similarity[4c84e1c8-6a13-4241-8e62-04e17b3884cb] received
[2025-05-29 19:40:22,142: ERROR/MainProcess] Task handler raised error: ValueError('not enough values to unpack (expected 3, got 0)'
)
billiard.einfo.RemoteTraceback:
"""
Traceback (most recent call last):
File "D:\ProgramData\Anaconda3\envs\gj_ai_new\Lib\site-packages\billiard\pool.py", line 362,
in workloop
result = (True, prepare_result(fun(*args, **kwargs))
)
^^^^^^^^^^^^^^^^^^^^
File "D:\ProgramData\Anaconda3\envs\gj_ai_new\Lib\site-packages\celery\app\trace.py", line 640,
in fast_trace_task
tasks, accept, hostname = _loc
^^^^^^^^^^^^^^^^^^^^^^^
ValueError: not enough values to unpack (expected 3, got 0
)
"""
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "D:\ProgramData\Anaconda3\envs\gj_ai_new\Lib\site-packages\billiard\pool.py", line 362,
in workloop
result = (True, prepare_result(fun(*args, **kwargs))
)
^^^^^^^^^^^^^^^^^^^^
File "D:\ProgramData\Anaconda3\envs\gj_ai_new\Lib\site-packages\celery\app\trace.py", line 640,
in fast_trace_task
tasks, accept, hostname = _loc
^^^^^^^^^^^^^^^^^^^^^^^
ValueError: not enough values to unpack (expected 3, got 0
)该问题是由于celery的默认并发网络编程线程库引起的，换成eventlet可以解决问题，只需修改启动命令即可，如下：
celery -A main_async:celery_app worker --loglevel=info -P eventlet?第二个问题
第二个问题是日志问题，报错类似如下所示：
'LoggingProxy' object has no attribute 'encoding'"原因分析
Celery 在启动 worker 时，默认会将标准输出和标准错误重定向到其日志系统中。这意味着 sys.stdout 和 sys.stderr 被替换为 LoggingProxy 对象。然而，某些库或代码可能期望这些对象具有标准文件对象的属性，如 encoding 或 fileno，从而导致 AttributeError。
此时只需要将worker_redirect_stdouts参数设置为False即可解决问题，代码如下：
# Celery 配置
celery_app.conf.update(
task_serializer="json"
,
accept_content=["json"]
,
result_serializer="json"
,
timezone="Asia/Shanghai"
,
enable_utc=True
,
include=["main_async"]
, # 显式指定任务模块
task_track_started=True
, # 跟踪任务开始状态
task_ignore_result=False
, # 保存任务结果
task_store_errors_even_if_ignored=True
, # 存储错误
worker_redirect_stdouts = False # 禁止将stdout和stderr重定向到当前记录器。
)