Автор: Сурен Хоренян · канал автора
Декоратор @task — самая заметная часть Celery, но почти вся реальная система находится вокруг него. Между вызовом функции и результатом появляются сериализация, RabbitMQ, отдельный worker и хранилище состояния задачи.
Сурен Хоренян собирает эту цепочку на практическом примере фоновой отправки email. RabbitMQ запускается как broker с management-интерфейсом, приложение ставит задачу в очередь, Celery worker получает её и выполняет, а состояние можно посмотреть через AsyncResult и Flower.
Особенно полезна граница сериализации. Аргумент задачи не передаётся worker как обычный Python-объект из памяти текущего процесса. Его нужно превратить в сообщение, отправить через broker и восстановить на другой стороне. Поэтому привычка передавать в задачу произвольные объекты ломается сразу, как только Celery действительно становится распределённой системой.
Кому смотреть: Python-разработчикам, которые впервые подключают Celery и хотят увидеть весь путь задачи, а не только пример с .delay().
Из этого можно взять в работу: перед добавлением первой бизнес-задачи нарисовать четыре отдельных компонента — producer, broker, worker и result backend — и проверить, какой из них отвечает за каждый этап.
Доклад начинается с RabbitMQ и management-панели, затем переходит к созданию Celery-приложения и запуску worker. Это важно для правильной модели в голове: worker не является частью процесса, который обслуживает веб-запрос. Он живёт отдельно и получает команды через broker.
Практический пример — отправка писем. Приложение не ждёт завершения рассылки, а ставит работу в очередь. Идентификатор задачи позволяет позже запросить её состояние через AsyncResult. Flower добавляет отдельный интерфейс наблюдения за workers и выполняемыми задачами.
Ещё одна неочевидная деталь — регистрация задач. Недостаточно определить функцию в одном из файлов проекта: Celery-приложение должно импортировать соответствующий модуль и знать о задаче. Иначе producer сможет сформировать сообщение с именем, которое worker не распознает.
Автор отдельно показывает запуск на Windows через --pool=solo, но уточняет, что этот режим подходит прежде всего для локальной отладки. Для production следует выбирать подходящую модель worker pool, а не переносить демонстрационную настройку без проверки.
Это вводный материал, и он не пытается решить вопросы высокой нагрузки или сложных гарантий доставки. Его ценность в другом: после него Celery перестаёт выглядеть магическим вызовом функции и становится понятной цепочкой независимых процессов.