Hlavní navigace

Nástroj huey: užitečná knihovna pro práci s frontami úloh v Pythonu

18. 6. 2020
Doba čtení: 42 minut

Sdílet

 Autor: Pixabay, Huey
V seriálu o message brokerech jsme se již seznámili s několika nástroji umožňujícími plánování asynchronně spouštěných úloh v Pythonu: RQ, Celery či Dramatiq. Dnes si popíšeme čtvrtý nástroj podobného typu jménem Huey.

Obsah

1. Nástroj huey aneb další užitečná knihovna pro práci s frontami úloh v Pythonu

2. Základní vlastnosti systému huey

3. Porovnání Huey s dalšími podobně koncipovanými nástroji

4. Instalace balíčku huey

5. Instalace a spuštění Redisu

6. Ověření základní funkcionality Redisu

7. Naprogramování a spuštění konzumenta zpráv (workera)

8. Naplánování úlohy pro workera

9. Čekání na výsledek činnosti workera

10. Déletrvající úloha

11. Větší množství úloh zpracovaných jediným workerem

12. Větší množství úloh zpracovaných množinou workerů

13. Získání dalších informací o úloze

14. Chování systému při havárii úlohy ve workerovi

15. Naplánování periodicky se opakující úlohy

16. Korektní spuštění skupiny úloh

17. Prioritní úlohy

18. Plánování různých úloh s odlišnou implementací workerů

19. Repositář s demonstračními příklady

20. Odkazy na Internetu

1. Nástroj huey aneb další užitečná knihovna pro práci s frontami úloh v Pythonu

V poněkud nepravidelně vycházejícím seriálu o message brokerech a na nich založených technologiích jsme se již setkali s relativně velkým množstvím projektů určených pro programovací jazyk Python, které vývojářům zprostředkovávají vysokoúrovňové rozhraní k message brokerům popř. pro naplánování asynchronně spouštěných úloh. Jen pro úplnost si připomeňme, že se jedná především o projekty nazvané RQ (Redis Queue) (pravděpodobně nejsnadněji použitelný systém vůbec), Celery (ten naproti tomu nabízí největší možnosti konfigurace) či Dramatiq. Na podobném způsobu práce, tj. na plánování úloh s jejich pozdějším a navíc i asynchronním zpracováním (více) workery je založen i projekt nazvaný Huey, jímž se budeme zabývat v dnešním článku.

Obrázek 1: Typická a již několikrát ukázaná konfigurace systému s frontami úloh. Zde se konkrétně používá jediná fronta nazvaná „default“, do které se mohou úlohy přidávat několika programy (těch může být libovolné množství). Samotné zpracování úloh je reprezentováno ve workerech, kterých taktéž může být libovolné množství podle požadavků aplikace, dostupných zdrojů atd. atd. Navíc je možné, aby v systému existovalo větší množství pojmenovaných front. Fronty je tak možné rozdělit podle priority, typu zpracovávaných úloh apod. Existuje dokonce jedna fronta, do níž se ukládají ty úlohy, na nichž worker zhavaroval (což si vysvětlíme v dalším textu).

Zdrojové kódy tohoto projektu nalezneme na GitHubu, konkrétně na stránce https://github.com/coleifer/huey. K dispozici je pochopitelně i dokumentace nasdílená na stránkách Read the Docs a celý projekt je dostupný i ve formě běžného Pythonovského balíčku na serveru Python Package Index (PyPI). Celá instalace, kterou si popíšeme v navazujících kapitolách, je prakticky bezproblémová, ovšem následně je nutné zvolit metodu pro uložení jednotlivých úloh, což již většinou vyžaduje konfiguraci Redisu, SQLite či dalších služeb.

2. Základní vlastnosti systému huey

Základní koncept, na němž je huey postaven, se prakticky neliší od podobně koncipovaných projektů zmíněných již v úvodní kapitole. Jedná se o plánování úloh zpracovávaných samostatně běžícími workery, kteří mohou výsledky posílat (přes message brokera) zpět. Navíc má ovšem Huey i několik zajímavých vlastností, které ho do jisté míry odlišují od klasických systémů pro plánování úloh. Zejména mají vývojáři a administrátoři poměrně velkou volnost ve volbě systému pro uložení zpráv (reprezentujících jednotlivé úlohy). Použít lze Redis (což se zdá být v této oblasti klasické a v praxi ověřené řešení), SQLite a popř. i uložení zpráv pouze v operační paměti. Zajímavější jsou ovšem možnosti spouštění workerů. Těch může být prakticky libovolné množství a lze použít spuštění každého workera ve vlastním procesu (tj. každý worker poběží zcela izolovaně od ostatních workerů), ve vláknech jediného procesu popř. lze použít takzvané greenlety. Záleží tedy na konkrétních požadavcích, který způsob je nejvíc vyhovující, samozřejmě ovšem s tím, že multivláknové řešení nutně dříve či později narazí na Global interpreter lock – GIL, s čímž je nutné počítat.

Poznámka: o greenletech, což je ve světě Pythonu velmi užitečná technologie, vyjde samostatný článek.

Ovšem i přesto, že je Huey pojat poměrně minimalisticky, v něm nalezneme i další relativně pokročilé techniky. Například je umožněno naplánování úloh na určitou dobu popř. až po uplynutí nějaké doby (což vzdáleně odpovídá možnostem příkazů cron a at). Dále je možné vytvořit úlohy spouštěné opakovaně, tedy opět podobným způsobem, jaký známe na úrovni operačního systému a nástroje cron. Úlohy je možné i prioritizovat popř. si zvolit, kam se mají uložit jejich výsledky (na které se tedy nemusí aktivně čekat). A konečně je podporována i tvorba pipeline a zřetězení úloh, což je téma, kterému se budeme věnovat v pozdějším textu.

3. Porovnání Huey s dalšími podobně koncipovanými nástroji

V následující tabulce jsou pro větší přehlednost porovnány čtyři systémy s implementací front zpráv (většinou spojených i s plánováním úloh) pro programovací jazyk Python, samozřejmě včetně dnes popisovaného projektu Huey:

# Vlastnost Dramatiq Celery Huey RQ
1 podpora Pythonu 2
2 jednoduchá implementace
3 automatické přeposlání zhavarovaných úloh
4 zajištění doručení úlohy
5 omezení počtu zpráv
6 specifikace priority úlohy
7 úlohy naplánované na pozdější dobu
8 plánování úloh ve stylu cronu
9 podpora pro kolony (pipeline)
10 možnost uložení výsledků do databáze (Redis…)
11 automatické znovunačtení kódu workera při změně
12 podpora RabbitMQ jako brokera
13 podpora Redisu jako brokera
14 podpora brokera umístěného v paměti
15 podpora greenletů

4. Instalace balíčku huey

Již v úvodní kapitole jsme si řekli, že na serveru PyPi je k dispozici balíček huey, což mj. znamená, že by instalace měla být velmi jednoduchá. Projekt neobsahuje žádné nativní části a lze ho (podle očekávání) nainstalovat i lokálně, tj. pro aktuálně přihlášeného uživatele:

$ pip3 install --user huey
 
Collecting huey
  Downloading https://files.pythonhosted.org/packages/c8/9e/251085ab3369ca71448812cac43ec3fc6f23dd9dd8df162b8bbe8024b672/huey-2.2.0.tar.gz (622kB)
    100% |████████████████████████████████| 624kB 896kB/s
Installing collected packages: huey
  Running setup.py install for huey ... done
Successfully installed huey-2.2.0

Rychlá kontrola instalace provedená přímo v REPLu programovacího jazyka Python může vypadat například takto:

$ python3
 
Python 3.6.6 (default, Jul 19 2018, 16:29:00)
[GCC 7.3.1 20180303 (Red Hat 7.3.1-5)] on linux
Type "help", "copyright", "credits" or "license" for more information.
 
>>> import huey
 
>>> help(huey)
 
Help on package huey:
 
NAME
    huey
 
PACKAGE CONTENTS
    api
    bin (package)
    constants

Před použitím tohoto balíčku však ještě musíme doinstalovat Redis použitý pro uložení úloh a popř. i jejich výsledků.

Poznámka: striktně řečeno vlastně není Redis nutný, protože zprávy (úlohy) mohou být uloženy pouze v operační paměti. To je ovšem řešení poměrně nevhodné pro praktické použití, protože by celý systém měl „přežít“ svůj restart a neztratit přitom naplánované úlohy ani výsledky již dokončených úloh.

5. Instalace a spuštění Redisu

Systém Huey může používat hned několik způsobů ukládání zpráv do nějakého úložiště, které by mělo přežít restart samotného plánovače úloh. Nejlépe se mi osvědčilo použití již několikrát zmíněného systému Redis (viz též články Databáze Redis (nejenom) pro vývojáře používající Python a Databáze Redis (nejenom) pro vývojáře používající Python (dokončení), v nichž jsme se s tímto systémem alespoň na základní úrovni seznámili), takže si před odzkoušením demonstračních příkladů Redis nainstalujeme a spustíme. Samotná instalace je ve skutečnosti velmi snadná, protože systém Redis je dnes nabízen jako standardní balíček ve většině Linuxových distribucí. Příkladem mohou být distribuce založené na RPM balíčcích, v nichž se dnes instalace provede následovně:

$ sudo dnf install redis

popř. na starších systémech:

$ sudo yum install redis

Na systémech založených na Debianu (včetně Ubuntu) lze pro instalaci použít příkaz:

$ apt-get install redis-server

Teoreticky je možné pro práci s Redisem, přesněji řečeno pro jeho spuštění jako služby, ponechat většinu standardních nastavení, ovšem výhodnější bude (zejména pro první seznamování) minimálně omezit viditelnost běžícího serveru pouze pro lokální procesy. Jedno z možných nastavení bylo popsáno zde. Toto nastavení je možné získat příkazem:

$ wget https://raw.githubusercontent.com/tisnik/presentations/master/redis/redis.conf

Po nastavení (popř. po ponechání standardního nastavení) je možné systém Redis spustit jako službu (démona), a to příkazem:

$ redis-server redis.conf
Poznámka: předpokládá se, že konfigurační soubor redis.conf je umístěn v aktuálním adresáři.

Služba redis by se měla spustit, což je patrné i při pohledu do logovacího souboru:

15018:C 13 Jun 20:28:15.250 # oO0OoO0OoO0Oo Redis is starting oO0OoO0OoO0Oo
15018:C 13 Jun 20:28:15.250 # Redis version=4.0.10, bits=64, commit=00000000, modified=0, pid=15018, just started
15018:C 13 Jun 20:28:15.250 # Configuration loaded
15018:C 13 Jun 20:28:15.250 * supervised by systemd, will signal readiness
                _._
           _.-``__ ''-._
      _.-``    `.  `_.  ''-._           Redis 4.0.10 (00000000/0) 64 bit
  .-`` .-```.  ```\/    _.,_ ''-._
 (    '      ,       .-`  | `,    )     Running in standalone mode
 |`-._`-...-` __...-.``-._|'` _.-'|     Port: 6379
 |    `-._   `._    /     _.-'    |     PID: 15018
  `-._    `-._  `-./  _.-'    _.-'
 |`-._`-._    `-.__.-'    _.-'_.-'|
 |    `-._`-._        _.-'_.-'    |           http://redis.io
  `-._    `-._`-.__.-'_.-'    _.-'
 |`-._`-._    `-.__.-'    _.-'_.-'|
 |    `-._`-._        _.-'_.-'    |
  `-._    `-._`-.__.-'_.-'    _.-'
      `-._    `-.__.-'    _.-'
          `-._        _.-'
              `-.__.-'
 
15018:M 13 Jun 20:28:15.253 # WARNING: The TCP backlog setting of 511 cannot be enforced because /proc/sys/net/core/somaxconn is set to the lower value of 128.
15018:M 13 Jun 20:28:15.253 # Server initialized
15018:M 13 Jun 20:28:15.254 # WARNING overcommit_memory is set to 0! Background save may fail under low memory condition. To fix this issue add 'vm.overcommit_
15018:M 13 Jun 20:28:15.254 # WARNING you have Transparent Huge Pages (THP) support enabled in your kernel. This will create latency and memory usage issues wi
15018:M 13 Jun 20:28:15.254 * DB loaded from disk: 0.000 seconds
15018:M 13 Jun 20:28:15.254 * Ready to accept connections
Poznámka: důležité je, aby se v logu skutečně objevil poslední řádek „Ready to accept connections“

6. Ověření základní funkcionality Redisu

Na druhém terminálu pak již můžeme spustit klienta Redisu, který uživatelům nabízí interaktivní příkazový řádek:

$ redis-cli

Pokud služba neběží popř. pokud běží na neznámém portu, vypíše se:

Could not connect to Redis at 127.0.0.1:6379: Connection refused
Could not connect to Redis at 127.0.0.1:6379: Connection refused

Po doufejme že úspěšném připojení si příkazem „ping“ můžeme otestovat, jestli se klient připojí k serveru a zda od něj dokáže získávat odpovědi:

127.0.0.1:6379> ping
PONG
 
127.0.0.1:6379> ping test
"test"

K dispozici je i neinteraktivní příkaz „help“:

127.0.0.1:6379> help
redis-cli 4.0.10
To get help about Redis commands type:
      "help @<group>" to get a list of commands in <group>
      "help <command>" for help on <command>
      "help <tab>" to get a list of possible help topics
      "quit" to exit
 
To set redis-cli preferences:
      ":set hints" enable online hints
      ":set nohints" disable online hints
Set your preferences in ~/.redisclirc
Poznámka: v navazujících kapitolách již s Redisem přímo pracovat nebudeme, protože ostatní operace (zejména plánování a spouštění úloh) za nás bude automaticky provádět právě knihovna Huey.

7. Naprogramování a spuštění konzumenta zpráv (workera)

Nyní si již můžeme vytvořit jednoduchého konzumenta zpráv neboli workera. Ten bude obsahovat funkci add, která však nebude volána přímo jiným kódem, ale nepřímo – přes frontu zpráv a tedy i s využitím message brokera:

def add(a, b):
    """Úloha pro součet dvou hodnot."""
    return a + b

Samotnou funkci je nutné opatřit dekorátorem huey.task(), přičemž huey je objekt získaný konstruktorem FileHuey, RedisHuey, SqliteHuey popř. MemoryHuey, tedy podle toho, jaká metoda pro meziuložení zpráv má být použita. V našem případě používáme systém Redis a tudíž využijeme konstruktor nazvaný RedisHuey. Úplný zdrojový kód workera může vypadat následovně:

"""Úloha pro součet dvou hodnot."""
 
from huey import RedisHuey
 
huey = RedisHuey()
 
 
@huey.task()
def add(a, b):
    """Úloha pro součet dvou hodnot."""
    return a + b

Workera spustíme příkazem:

$ huey_consumer.py adder.huey
Poznámka: povšimněte si označení adder.huey – zde se tedy nejedná o jméno souboru, protože zdrojový kód našeho workera je uložen v souboru nazvaném adder.py.

Po spuštění by se na terminálu měla objevit zpráva o tom, že byl konzument (worker) spuštěn, a to v jediném procesu a jediném vláknu. Taktéž se zobrazí informace o tom, jaký příkaz (posílaný do fronty) či příkazy jsou dostupné:

[2020-06-16 17:42:26,765] INFO:huey.consumer:MainThread:Huey consumer started with 1 thread, PID 28279 at 2020-06-16 15:42:26.765337
[2020-06-16 17:42:26,765] INFO:huey.consumer:MainThread:Scheduler runs every 1 second(s).
[2020-06-16 17:42:26,765] INFO:huey.consumer:MainThread:Periodic tasks are enabled.
[2020-06-16 17:42:26,765] INFO:huey.consumer:MainThread:The following commands are available:
+ adder.add

Tento terminál i s běžícím workerem si nechte otevřený na pozadí. Plánovač úloh bude spuštěn v jiném terminálu.

Poznámka: úplný zdrojový kód workera naleznete na adrese https://github.com/tisnik/message-queues-examples/blob/master/huey/adder.py.

8. Naplánování úlohy pro workera

V dalším kroku pro workera naplánujeme úlohu. Worker dokáže – alespoň prozatím – pouze sečíst dvě čísla (popř. jiné objekty, například spojit řetězce nebo seznamy), takže naplánování úlohy může vypadat v první verzi následovně:

"""Vytvoření úlohy."""
 
from adder import add
 
r = add(1, 2)
print(r)

Tento skript, který by měl být umístěn ve stejném adresáři jako worker, spustíme:

$ python3 call_adder.py

Měla by se na jeho standardní výstup vypsat zpráva podobná této zprávě:

<Result: task 310a2bf1-a82b-4fe3-9fce-d6171f168fe9>

A současně by se na terminálu se spuštěným workerem měla vypsat zpráva o tom, že byla úloha spuštěna a o několik milisekund později i dokončena. Povšimněte si, že UUID úlohy skutečně odpovídá identifikátoru vypsaného v předchozím skriptu:

[2020-06-16 17:43:41,179] INFO:huey:Worker-1:Executing adder.add: 11bbcf0d-2b24-4c3e-9a2a-3122ef94e225
[2020-06-16 17:43:41,180] INFO:huey:Worker-1:adder.add: 11bbcf0d-2b24-4c3e-9a2a-3122ef94e225 executed in 0.000s

Co to tedy znamená? Úloha byla evidentně naplánována, byla dokonce workerem provedena (a to asynchronně), ovšem my prozatím nevíme, jakým způsobem získat výsledek – proměnná r totiž tímto výsledkem není, protože se jedná o objekt představující samotnou úlohu (job).

Poznámka: úplný zdrojový kód prvního skriptu pro naplánování úlohy naleznete na adrese https://github.com/tisnik/message-queues-examples/blob/master/huey/ca­ll_adder.py.

9. Čekání na výsledek činnosti workera

Výsledek úlohy je teoreticky možné získat přímým zavoláním r() (budeme se tedy k r chovat jako k běžné funkci), ovšem v praxi to nebude tak jednoduché, protože úloha je spuštěna a vyhodnocena asynchronně, tedy nezávisle na kódu/skriptu, který ji vyvolal. Proto – pokud skutečně potřebujeme na výsledek úlohy počkat – je nutné při volání r() použít nepovinný parametr blocking nastavený na hodnotu True. Existence tohoto parametru zajistí, že volající skript bude skutečně čekat na dokončení úlohy. Taktéž je možné specifikovat i timeout, který umožní zadání maximálního času čekání (což je pro některé řešené problémy vhodnější, než obecně nekonečné čekání):

"""Vytvoření úlohy."""
 
from adder import add
 
r = add(1, 2)
print(r)
print(r())
print(r(blocking=True))

Chování při spuštění ověří, že první volání r() prozatím nevrátí správný výsledek (přesněji řečeno vrátí None), kdežto druhé volání již ano:

<Result: task d5cddf26-9b4f-4653-aa4d-89d7d7d14be6>
None
3
Poznámka: úplný zdrojový kód druhého skriptu pro naplánování úlohy naleznete na adrese https://github.com/tisnik/message-queues-examples/blob/master/huey/wa­it_for_adder.py.

10. Déletrvající úloha

Nyní workera zastavíme, a to konkrétně v jeho vlastním terminálu klávesovou zkratkou Ctrl+C:

^C[2020-06-13 20:35:02,002] INFO:huey.consumer:MainThread:Received SIGINT
[2020-06-13 20:35:02,002] INFO:huey.consumer:MainThread:Shutting down gracefully...
[2020-06-13 20:35:02,883] INFO:huey.consumer:MainThread:All workers have stopped.
[2020-06-13 20:35:02,884] INFO:huey.consumer:MainThread:Consumer exiting.

Spustíme totiž jiného workera, který bude obsahovat stejný algoritmus součtu, ovšem s přidanou pětisekundovou prodlevou (viz též je úplný zdrojový kód):

"""Úloha pro součet dvou hodnot."""
 
from huey import RedisHuey
 
from time import sleep
 
huey = RedisHuey()
 
 
@huey.task()
def add(a, b):
    """Úloha pro součet dvou hodnot."""
    sleep(5)
    return a + b

Upravený kód workera je uložen v souboru slow_adder.py a spuštěn tedy bude takto:

$ huey_consumer.py slow_adder.huey
 
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Huey consumer started with 1 thread, PID 29059 at 2020-06-16 15:53:15.881169
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Scheduler runs every 1 second(s).
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Periodic tasks are enabled.
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:The following commands are available:
+ slow_adder.add

Znovu zkusíme naplánovat úlohu a získat její výsledky:

"""Vytvoření úlohy."""
 
from slow_adder import add
 
r = add(1, 2)
print(r)
print(r())
print(r(blocking=True))

Po spuštění získáme poslední řádek až s přibližně pětisekundovým zpožděním:

<Result: task 287017ca-9435-4c76-9070-3a23c31bc6c0>
None
3

Totéž zpoždění je velmi dobře viditelné i v logu workera:

[2020-06-16 19:45:55,423] INFO:huey:Worker-1:Executing slow_adder.add: 287017ca-9435-4c76-9070-3a23c31bc6c0
[2020-06-16 19:46:00,427] INFO:huey:Worker-1:slow_adder.add: 287017ca-9435-4c76-9070-3a23c31bc6c0 executed in 5.003s

11. Větší množství úloh zpracovaných jediným workerem

Zajímavější bude pozorování toho, co se stane, pokud naplánujeme úloh více a posléze budeme čekat na dokončení všech takto naplánovaných úloh. Toto se již totiž do větší míry podobá reálnému použití, i když obecně platí, že čekání na více úloh ve smyčce tohoto typu není ten nejlepší možný přístup (možná by bylo lepší přidat timeout a čekat ve smyčce na naplnění všech deseti výsledků):

"""Vytvoření úlohy."""
 
from slow_adder import add
 
rs = []
 
print("Queueing...")
 
for i in range(1, 11):
    r = add(i, i)
    rs.append(r)
 
print("Done, waiting for results...")
 
for r in rs:
    print(r(blocking=True))

Při sledování činnosti bude patrné, že výsledky budou přijímány s pětisekundovým intervalem:

$ python3 wait_for_slow_adder.py
 
Queueing...
Done, waiting for results...
2
4
6
8
10
12
14
16
18
20

Totéž by mělo být patrné i z logů jediného workera:

17:52 $ huey_consumer.py slow_adder.huey
 
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Huey consumer started with 1 thread, PID 29059 at 2020-06-16 15:53:15.881169
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Scheduler runs every 1 second(s).
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:Periodic tasks are enabled.
[2020-06-16 17:53:15,881] INFO:huey.consumer:MainThread:The following commands are available:
+ slow_adder.add
[2020-06-16 17:53:50,863] INFO:huey:Worker-1:Executing slow_adder.add: 6a81c5f5-5c62-430c-9571-bbe2e6c5e6c8
[2020-06-16 17:53:55,868] INFO:huey:Worker-1:slow_adder.add: 6a81c5f5-5c62-430c-9571-bbe2e6c5e6c8 executed in 5.005s
[2020-06-16 18:14:03,225] INFO:huey:Worker-1:Executing slow_adder.add: 6d2c4d61-d9fa-4507-949a-c457183c99fe
[2020-06-16 18:14:08,229] INFO:huey:Worker-1:slow_adder.add: 6d2c4d61-d9fa-4507-949a-c457183c99fe executed in 5.004s
[2020-06-16 18:14:08,230] INFO:huey:Worker-1:Executing slow_adder.add: 8ede5add-7341-48c5-ba6f-2a4e5c183915
[2020-06-16 18:14:13,235] INFO:huey:Worker-1:slow_adder.add: 8ede5add-7341-48c5-ba6f-2a4e5c183915 executed in 5.005s
[2020-06-16 18:14:13,238] INFO:huey:Worker-1:Executing slow_adder.add: d2343825-4168-42f0-b383-58065b5c5bea
[2020-06-16 18:14:18,243] INFO:huey:Worker-1:slow_adder.add: d2343825-4168-42f0-b383-58065b5c5bea executed in 5.005s
[2020-06-16 18:14:18,247] INFO:huey:Worker-1:Executing slow_adder.add: f901373b-b425-42ae-92f1-5e4fd9d47b97
[2020-06-16 18:14:23,252] INFO:huey:Worker-1:slow_adder.add: f901373b-b425-42ae-92f1-5e4fd9d47b97 executed in 5.005s
[2020-06-16 18:14:23,255] INFO:huey:Worker-1:Executing slow_adder.add: 4972e02b-3614-4c07-b04e-0e52d6c8eedb
[2020-06-16 18:14:28,259] INFO:huey:Worker-1:slow_adder.add: 4972e02b-3614-4c07-b04e-0e52d6c8eedb executed in 5.004s
[2020-06-16 18:14:28,262] INFO:huey:Worker-1:Executing slow_adder.add: 9a4017bc-f48e-4e55-99a2-d76ebeb0ddcb
[2020-06-16 18:14:33,267] INFO:huey:Worker-1:slow_adder.add: 9a4017bc-f48e-4e55-99a2-d76ebeb0ddcb executed in 5.004s
[2020-06-16 18:14:33,270] INFO:huey:Worker-1:Executing slow_adder.add: 2ce3cd7a-507e-4cfc-a8ae-0e48290d530b
[2020-06-16 18:14:38,276] INFO:huey:Worker-1:slow_adder.add: 2ce3cd7a-507e-4cfc-a8ae-0e48290d530b executed in 5.005s
[2020-06-16 18:14:38,277] INFO:huey:Worker-1:Executing slow_adder.add: a687133a-758f-4188-9559-57cb1f0bc4c7
[2020-06-16 18:14:43,283] INFO:huey:Worker-1:slow_adder.add: a687133a-758f-4188-9559-57cb1f0bc4c7 executed in 5.005s
[2020-06-16 18:14:43,286] INFO:huey:Worker-1:Executing slow_adder.add: e4d13adf-b12f-4581-bf82-798906c7966c
[2020-06-16 18:14:48,291] INFO:huey:Worker-1:slow_adder.add: e4d13adf-b12f-4581-bf82-798906c7966c executed in 5.005s
[2020-06-16 18:14:48,292] INFO:huey:Worker-1:Executing slow_adder.add: c52de7c6-1348-4671-92d6-fd62a7f6e0bf
[2020-06-16 18:14:53,293] INFO:huey:Worker-1:slow_adder.add: c52de7c6-1348-4671-92d6-fd62a7f6e0bf executed in 5.000s

12. Větší množství úloh zpracovaných množinou workerů

V případě, že úloha zpracovávaná workerem je dokončena v relativně dlouhém časovém intervalu a my budeme potřebovat zpracovat větší množství úloh, nezbývá nám nic jiného, než spustit více workerů, kteří mohou pracovat paralelně. Jednou z nabízených možností je spuštění každého workera v samostatném procesu, což sice může být paměťově náročnější (každý proces bude mít k dispozici svůj interpret Pythonu i celý příslušný virtuální stroj), ovšem na druhou stranu jsou od sebe jednotliví workeři velmi dobře izolováni. Dalším příkazem spustíme pět paralelně pracujících workerů:

20:36 $ huey_consumer.py slow_adder.huey --workers 5 --worker-type process
 
[2020-06-13 20:36:29,417] INFO:huey.consumer:15725:Huey consumer started with 5 process, PID 15725 at 2020-06-13 18:36:29.417824
[2020-06-13 20:36:29,417] INFO:huey.consumer:15725:Scheduler runs every 1 second(s).
[2020-06-13 20:36:29,418] INFO:huey.consumer:15725:Periodic tasks are enabled.
[2020-06-13 20:36:29,418] INFO:huey.consumer:15725:The following commands are available:
+ slow_adder.add

Opět si necháme naplánovat deset úloh s čekáním na jejich dokončení:

$ python3 wait_for_slow_adder.py
 
Queueing...
Done, waiting for results...

Nyní je ovšem situace odlišná a na terminálu by se po cca pěti sekundách měla zobrazit první pětice výsledků:

2
4
6
8
10

A po dalších pěti sekundách zbývající pětice výsledků:

12
14
16
18
20

Totéž chování je patrné i z logů workerů:

[2020-06-16 18:17:04,680] INFO:huey:30147:Executing slow_adder.add: 16145f55-a982-4441-b760-24dce2dad5cd
[2020-06-16 18:17:04,681] INFO:huey:30149:Executing slow_adder.add: 81b86138-53e9-4389-837a-97a05326b1ba
[2020-06-16 18:17:04,681] INFO:huey:30151:Executing slow_adder.add: 73aa8385-eba8-4a4d-a05f-e7062dbfb5db
[2020-06-16 18:17:04,681] INFO:huey:30148:Executing slow_adder.add: 15ec6957-d0e6-46f0-af0e-f6562c760fe7
[2020-06-16 18:17:04,681] INFO:huey:30150:Executing slow_adder.add: b092275b-4937-45df-8d67-f46a312dc451
[2020-06-16 18:17:09,685] INFO:huey:30148:slow_adder.add: 15ec6957-d0e6-46f0-af0e-f6562c760fe7 executed in 5.004s
[2020-06-16 18:17:09,686] INFO:huey:30150:slow_adder.add: b092275b-4937-45df-8d67-f46a312dc451 executed in 5.004s
[2020-06-16 18:17:09,686] INFO:huey:30149:slow_adder.add: 81b86138-53e9-4389-837a-97a05326b1ba executed in 5.005s
[2020-06-16 18:17:09,687] INFO:huey:30151:slow_adder.add: 73aa8385-eba8-4a4d-a05f-e7062dbfb5db executed in 5.006s
[2020-06-16 18:17:09,687] INFO:huey:30147:slow_adder.add: 16145f55-a982-4441-b760-24dce2dad5cd executed in 5.006s
[2020-06-16 18:17:09,689] INFO:huey:30148:Executing slow_adder.add: 86811c84-2ac9-444e-b773-a5c5c6de9929
[2020-06-16 18:17:09,690] INFO:huey:30150:Executing slow_adder.add: 3b3e92ef-c6b1-4f5b-ab1d-6f289344f801
[2020-06-16 18:17:09,690] INFO:huey:30151:Executing slow_adder.add: 421c61f8-f1eb-4c39-bc3f-abbd285e2629
[2020-06-16 18:17:09,690] INFO:huey:30149:Executing slow_adder.add: 23951a5b-310a-4d82-b0bf-f7f75f7a035d
[2020-06-16 18:17:09,690] INFO:huey:30147:Executing slow_adder.add: 84ba86a8-6ebf-43f9-b7a5-be0e384eb2d3
[2020-06-16 18:17:14,694] INFO:huey:30148:slow_adder.add: 86811c84-2ac9-444e-b773-a5c5c6de9929 executed in 5.005s
[2020-06-16 18:17:14,695] INFO:huey:30149:slow_adder.add: 23951a5b-310a-4d82-b0bf-f7f75f7a035d executed in 5.004s
[2020-06-16 18:17:14,695] INFO:huey:30150:slow_adder.add: 3b3e92ef-c6b1-4f5b-ab1d-6f289344f801 executed in 5.005s
[2020-06-16 18:17:14,696] INFO:huey:30151:slow_adder.add: 421c61f8-f1eb-4c39-bc3f-abbd285e2629 executed in 5.005s
[2020-06-16 18:17:14,696] INFO:huey:30147:slow_adder.add: 84ba86a8-6ebf-43f9-b7a5-be0e384eb2d3 executed in 5.005s

Všechny vytvořené procesy s workery i jejich koordinátorem si samozřejmě můžeme snadno zobrazit:

$ ps ax |grep huey
 
15725 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15727 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15728 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15729 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15730 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15731 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15732 pts/1    S+     0:00 /usr/bin/python3 /home/ptisnovs/.local/bin/huey_consumer.py adder.huey --workers 5 --worker-type process
15780 pts/7    S+     0:00 grep huey
Poznámka: alternativně lze procesy sledovat nástroji top, htop apod.

13. Získání dalších informací o úloze

Objekt, který je získán po naplánování úlohy, obsahuje potenciálně zajímavé informace. Především je v atributu id uložen jednoznačný identifikátor úlohy neboli UUID. Ten je možné použít ve chvíli, kdy se například hledají problémy v celém systému (ztracené úlohy, nedokončené úlohy atd.). Kromě toho však v atributu task nalezneme další objekt s podrobnějšími informacemi o naplánované úloze, zejména argumenty předané do workera, plánované dokončení úlohy, počet pokusů o její dokončení, prioritu atd. Následující skript tyto informace zobrazí (a to dokonce bez toho, aby musel běžet worker):

"""Vytvoření úlohy a vypsání podrobnějších informací o úloze."""
 
from adder import add
 
r = add(1, 2)
print("result id:\t", r.id)
print("task object:\t", r.task)
print("arguments:\t", r.task.args)
print("planned ETA:\t", r.task.eta)
print("retries:\t", r.task.retries)
print("priority:\t", r.task.priority)

Výsledek může vypadat následovně:

result id:       3f130490-d74a-41c1-92a0-bddbb754b9a7
task object:     adder.add: 3f130490-d74a-41c1-92a0-bddbb754b9a7
arguments:       (1, 2)
planned ETA:     None
retries:         0
priority:        None
Poznámka: ID úlohy i ID výsledku bude samozřejmě při dalším spuštění odlišný.

14. Chování systému při havárii úlohy ve workerovi

V prakticky každém systému pro plánování a vykonávání asynchronně běžících úloh je nutné se nějakým způsobem vypořádat se stavem, kdy v úloze dojde k chybě, což v Pythonu znamená, když dojde k vyhození výjimky. Tento stav si můžeme nasimulovat a to velmi snadno – předáme do funkce add celé číslo a řetězec, což jsou pochopitelně dvě hodnoty, které nelze (v Pythonu) sečíst:

"""Vytvoření úlohy."""
 
from adder import add
 
r = add(1, "foo")
print(r)
print(r())
print(r(blocking=True))

Po spuštění nastane zajímavá situace – nejprve získáme namísto výsledku hodnotu None, protože celé asynchronní zpracování nějakou dobu trvá. A posléze dojde k vyhození výjimky z funkce r(blocking=True), tj. systém se chová takovým způsobem, jakoby výjimka vznikla lokálně a nikoli ve zcela jiném procesu:

<Result: task 334016fa-26f6-4397-a1dd-2dcb9a96c5a1>
None
Traceback (most recent call last):
  File "wait_for_adder_failure.py", line 8, in
    print(r(blocking=True))
  File "/home/ptisnovs/.local/lib/python3.6/site-packages/huey/api.py", line 853, in __call__
    return self.get(*args, **kwargs)
  File "/home/ptisnovs/.local/lib/python3.6/site-packages/huey/api.py", line 895, in get
    raise TaskException(result.metadata)
huey.exceptions.TaskException: TypeError("unsupported operand type(s) for +: 'int' and 'str'",)

Výjimku ostatně uvidíme i v logu workera, což je užitečné při pozdějším zkoumání jaká úloha a proč zhavarovala:

[2020-06-17 17:54:12,500] INFO:huey:Worker-1:Executing adder.add: 334016fa-26f6-4397-a1dd-2dcb9a96c5a1
[2020-06-17 17:54:12,500] ERROR:huey:Worker-1:Unhandled exception in task 334016fa-26f6-4397-a1dd-2dcb9a96c5a1.
Traceback (most recent call last):
  File "/home/ptisnovs/.local/lib/python3.6/site-packages/huey/api.py", line 359, in _execute
    task_value = task.execute()
  File "/home/ptisnovs/.local/lib/python3.6/site-packages/huey/api.py", line 723, in execute
    return func(*args, **kwargs)
  File "/home/ptisnovs/src/message-queues-examples/huey/adder.py", line 11, in add
    return a + b
TypeError: unsupported operand type(s) for +: 'int' and 'str'

Výjimku můžeme snadno zachytit:

"""Vytvoření úlohy."""
 
from adder import add
 
r = add(1, "foo")
print(r)
print(r())
 
try:
    print(r(blocking=True))
except Exception as e:
    print("Exception detected!", e)

S výsledkem:

<Result: task b4e7e80f-c50f-4a09-aa42-e8d44809152a>
None
Exception detected! TypeError("unsupported operand type(s) for +: 'int' and 'str'",)

15. Naplánování periodicky se opakující úlohy

Systém Huey umožňuje naplánování periodicky se opakujících úloh. Přitom lze použít zápis podobný tomu, který se používá v cronu, viz též https://crontab.guru/. Příklad úlohy spuštěné každou minutu:

"""Periodicky se opakující úloha."""
 
from huey import crontab
from huey import RedisHuey
 
huey = RedisHuey()
 
@huey.periodic_task(crontab(minute='*'))
def periodic():
    print("*** NOW ***")

Taková úloha nemá mít žádné parametry ani nesmí vracet žádné výsledky konstrukcí return. Ovšem i přesto lze výsledky uchovat, a to přímo do Redisu či podobného systému. Podrobnosti si řekneme příště.

O tom, že je úloha skutečně spouštěna se zadanou periodou, se lze přesvědčit pohledem do logu workera:

$ huey_consumer.py periodic.huey
 
[2020-06-17 18:59:07,980] INFO:huey.consumer:MainThread:Huey consumer started with 1 thread, PID 11784 at 2020-06-17 16:59:07.980863
[2020-06-17 18:59:07,980] INFO:huey.consumer:MainThread:Scheduler runs every 1 second(s).
[2020-06-17 18:59:07,981] INFO:huey.consumer:MainThread:Periodic tasks are enabled.
[2020-06-17 18:59:07,981] INFO:huey.consumer:MainThread:The following commands are available:
+ periodic.periodic
 
[2020-06-17 18:59:07,985] INFO:huey.consumer.Scheduler:Scheduler:Enqueueing periodic task periodic.periodic: 6f50745c-1be5-4d41-9def-035f1e02afa2.
[2020-06-17 18:59:07,986] INFO:huey:Worker-1:Executing periodic.periodic: 6f50745c-1be5-4d41-9def-035f1e02afa2
*** NOW ***
[2020-06-17 18:59:07,986] INFO:huey:Worker-1:periodic.periodic: 6f50745c-1be5-4d41-9def-035f1e02afa2 executed in 0.000s
 
[2020-06-17 19:00:07,982] INFO:huey.consumer.Scheduler:Scheduler:Enqueueing periodic task periodic.periodic: f4f10a24-2f3b-4491-9b1d-5bf14bfa71a3.
[2020-06-17 19:00:07,984] INFO:huey:Worker-1:Executing periodic.periodic: f4f10a24-2f3b-4491-9b1d-5bf14bfa71a3
*** NOW ***
[2020-06-17 19:00:07,984] INFO:huey:Worker-1:periodic.periodic: f4f10a24-2f3b-4491-9b1d-5bf14bfa71a3 executed in 0.000s
 
[2020-06-17 19:01:07,981] INFO:huey.consumer.Scheduler:Scheduler:Enqueueing periodic task periodic.periodic: 03f3fa18-d39c-4ebb-8525-3b1c7858337c.
[2020-06-17 19:01:07,983] INFO:huey:Worker-1:Executing periodic.periodic: 03f3fa18-d39c-4ebb-8525-3b1c7858337c
*** NOW ***
[2020-06-17 19:01:07,983] INFO:huey:Worker-1:periodic.periodic: 03f3fa18-d39c-4ebb-8525-3b1c7858337c executed in 0.000s

Podobným způsobem lze vytvořit například úlohu spouštěnou každých pět minut:

"""Periodicky se opakující úloha."""
 
from huey import crontab
from huey import RedisHuey
 
huey = RedisHuey()
 
@huey.periodic_task(crontab(minute='*/5'))
def periodic():
    print("*** NOW ***")

16. Korektní spuštění skupiny úloh

Již v předchozím textu jsme si ukázali jeden způsob čekání na dokončení několika úloh. Ovšem prezentovaný způsob nebyl v žádném případě dokonalý, protože pro naplánování několika úloh a na případné získání jejích výsledků (s případným čekáním) je určen objekt typu „skupina úloh“ s mnohem jednodušším rozhraním. Jeho základní způsob použití je ukázán v dalším skriptu:

"""Vytvoření deseti úloh."""
 
from slow_adder import add
 
print("Queueing...")
rg = add.map([(i, i) for i in range(1, 11)])
 
print("Done, waiting for results...")
 
print(rg.get(blocking=True))

Povšimněte si, že čekání na dokončení úloh a na získání jejich výsledků je provedeno jediným zavoláním metody get s případným použitím parametru blocking=True. Výsledky jsou získány ve formě seznamu:

Queueing...
Done, waiting for results...
[2, 4, 6, 8, 10, 12, 14, 16, 18, 20]
Poznámka: v některých případech použití může být důležité, že výsledky jsou získány v přesně tom pořadí, v jakém byly naplánovány.

17. Prioritní úlohy

Systém Huey dokáže pracovat i s úlohami s různou prioritou, které fronty používají poněkud odlišným způsobem. Jedná se o potenciálně velmi užitečnou vlastnost, takže se jí podrobněji a s několika demonstračními příklady budeme věnovat v další části tohoto seriálu.

18. Plánování různých úloh s odlišnou implementací workerů

Podívejme se ještě na způsob naplánování a spuštění úloh realizovaných různými funkcemi ve workeru. Upravený worker má s využitím dekorátoru označeny tři funkce, které realizují různé úlohy. Jedná se o součet, součet s prodlevou (ten již známe z předchozích kapitol) a součin:

"""Několik různých úloh."""
 
from huey import RedisHuey
 
from time import sleep
 
huey = RedisHuey()
 
@huey.task()
def add(a, b):
    """Úloha pro rychlý součet dvou hodnot."""
    return a + b
 
 
@huey.task()
def slow_add(a, b):
    """Úloha pro pomalý součet dvou hodnot."""
    sleep(5)
    return a + b
 
 
@huey.task()
def mul(a, b):
    """Úloha pro součin dvou hodnot."""
    return a * b

Příslušné úlohy lze samozřejmě přímo použít, což je ukázáno v následujícím skriptu, který vytvoří celkem třicet úloh – dvacet na součet, deset na násobení – a následně počká na jejich dokončení:

"""Vytvoření různých úloh."""
 
from three_tasks import add, slow_add, mul
 
rs = []
 
print("Queueing...")
 
for i in range(1, 11):
    rs.append(add(i, i))
    rs.append(slow_add(i, i))
    rs.append(mul(i, i))
 
print("Done, waiting for results...")
 
for r in rs:
    print(r(blocking=True))

Následně spustíme celkem pět workerů (nikoli patnáct):

$ huey_consumer.py three_tasks.huey --workers 5 --worker-type process
 
[2020-06-16 20:59:50,392] INFO:huey.consumer:2416:Huey consumer started with 5 process, PID 2416 at 2020-06-16 18:59:50.392372
[2020-06-16 20:59:50,392] INFO:huey.consumer:2416:Scheduler runs every 1 second(s).
[2020-06-16 20:59:50,392] INFO:huey.consumer:2416:Periodic tasks are enabled.
[2020-06-16 20:59:50,392] INFO:huey.consumer:2416:The following commands are available:
+ three_tasks.add
+ three_tasks.slow_add
+ three_tasks.mul

Výsledky budou vypočteny a vráceny v tomto pořadí (nemusí být však zachováno zcela přesně, protože sleep ani přepínání procesů s workery nijak neřídíme):

root_podpora

Queueing...
Done, waiting for results...
2
2
1
4
4
4
6
6
9
8
8
16
10
10
25
12
12
36
14
14
49
16
16
64
18
18
81
20
20
100

Z výpisu logů workerů je patrné prodlení způsobené tím, že workeři začnou počítat součet s vloženým voláním funkce sleep (viz zvýrazněné části):

[2020-06-16 21:01:00,580] INFO:huey:2423:Executing three_tasks.add: ca9bff2e-20ac-4628-9245-629bd6d0aaee
[2020-06-16 21:01:00,580] INFO:huey:2419:Executing three_tasks.slow_add: 7092e846-70e0-40cf-967f-e6cf18ba78fe
[2020-06-16 21:01:00,581] INFO:huey:2423:three_tasks.add: ca9bff2e-20ac-4628-9245-629bd6d0aaee executed in 0.000s
[2020-06-16 21:01:00,581] INFO:huey:2421:Executing three_tasks.mul: d025b88c-e3c7-4f7b-83e3-e67a471f2cef
[2020-06-16 21:01:00,581] INFO:huey:2421:three_tasks.mul: d025b88c-e3c7-4f7b-83e3-e67a471f2cef executed in 0.000s
[2020-06-16 21:01:00,581] INFO:huey:2422:Executing three_tasks.add: dd703c69-2810-41b0-b238-13a1f5628a0d
[2020-06-16 21:01:00,581] INFO:huey:2420:Executing three_tasks.slow_add: 01ee6a98-122e-40c8-8581-43dffee96f12
[2020-06-16 21:01:00,581] INFO:huey:2422:three_tasks.add: dd703c69-2810-41b0-b238-13a1f5628a0d executed in 0.000s
...
...
...
[2020-06-16 21:01:05,593] INFO:huey:2420:three_tasks.mul: 0397de3a-644c-4da2-878b-32c6f909af1b executed in 0.000s
[2020-06-16 21:01:05,593] INFO:huey:2420:Executing three_tasks.add: a2fa2818-5ceb-423a-bc5d-b10d1798cb6d
[2020-06-16 21:01:05,594] INFO:huey:2420:three_tasks.add: a2fa2818-5ceb-423a-bc5d-b10d1798cb6d executed in 0.000s
[2020-06-16 21:01:05,594] INFO:huey:2420:Executing three_tasks.slow_add: 07ab94fb-80b5-44db-b4b5-7be716649115
[2020-06-16 21:01:10,593] INFO:huey:2421:three_tasks.slow_add: f6199751-1d66-433a-85b2-6b1a7bfb0acc executed in 5.001s
[2020-06-16 21:01:10,593] INFO:huey:2423:three_tasks.slow_add: 37cf126f-b4ed-49cf-bbc5-6e16d6399f4b executed in 5.001s
[2020-06-16 21:01:10,594] INFO:huey:2422:three_tasks.slow_add: 28339d2f-ed94-43b0-99f6-ec74e28c6948 executed in 5.004s
[2020-06-16 21:01:10,595] INFO:huey:2419:three_tasks.slow_add: 77f10038-afff-4f80-ab7c-8f79eb749818 executed in 5.004s
[2020-06-16 21:01:10,596] INFO:huey:2421:Executing three_tasks.mul: f1cdc9f4-ffcc-49e2-980a-912d430e8157
[2020-06-16 21:01:10,596] INFO:huey:2421:three_tasks.mul: f1cdc9f4-ffcc-49e2-980a-912d430e8157 executed in 0.000s
[2020-06-16 21:01:10,599] INFO:huey:2420:three_tasks.slow_add: 07ab94fb-80b5-44db-b4b5-7be716649115 executed in 5.005s

19. Repositář s demonstračními příklady

Zdrojové kódy všech dnes popsaných demonstračních příkladů vyvinutých v programovacím jazyku Python byly uloženy do Git repositáře, který je dostupný na adrese https://github.com/tisnik/message-queues-examples (stále na GitHubu :-). V případě, že nebudete chtít klonovat celý repositář (ten je ovšem – alespoň prozatím – velmi malý, dnes má stále ještě doslova několik kilobajtů), můžete namísto toho použít odkazy na jednotlivé příklady, které naleznete v následující tabulce. Každý příklad obsahuje implementaci workera či workerů a taktéž skript pro naplánování úloh:

Příklad Skript Stručný popis skriptu Cesta
1 adder.py worker s funkcí pro součet dvou čísel https://github.com/tisnik/message-queues-examples/blob/master/huey/adder.py
2 call_adder.py vytvoření jedné úlohy pro workera bez čekání https://github.com/tisnik/message-queues-examples/blob/master/huey/ca­ll_adder.py
3 wait_for_adder.py vytvoření jedné úlohy pro workera s čekáním https://github.com/tisnik/message-queues-examples/blob/master/huey/wa­it_for_adder.py
       
4 slow_adder.py worker s pomalým součtem dvou čísel https://github.com/tisnik/message-queues-examples/blob/master/huey/slow_ad­der.py
5 wait_for_slow_adder.py vytvoření jedné úlohy pro workera s čekáním https://github.com/tisnik/message-queues-examples/blob/master/huey/wa­it_for_slow_adder.py
6 more_adds.py vytvoření deseti úloh pro workera s čekáním https://github.com/tisnik/message-queues-examples/blob/master/huey/more_adds.py
       
7 print_job_info.py výpis podrobnějších informací o úloze https://github.com/tisnik/message-queues-examples/blob/master/huey/prin­t_job_info.py
8 map_adds.py korektní způsob naplánování úlohy https://github.com/tisnik/message-queues-examples/blob/master/huey/map_adds.py
       
9 three_tasks.py worker se třemi různými funkcemi, které lze volat jako úlohy https://github.com/tisnik/message-queues-examples/blob/master/huey/thre­e_tasks.py
10 call_different_tasks.py použití všech tří typů úloh nabízených předchozím workerem https://github.com/tisnik/message-queues-examples/blob/master/huey/ca­ll_different_tasks.py
       
11 wait_for_adder_failure.py vytvoření jedné úlohy pro workera s čekáním, tato úloha zhavaruje https://github.com/tisnik/message-queues-examples/blob/master/huey/wa­it_for_adder_failure.py

20. Odkazy na Internetu

  1. Dokumentace k systému Huey
    https://huey.readthedocs.i­o/en/latest/
  2. Balíček s projektem Huey
    https://pypi.org/project/huey/
  3. Repositář Huey na GitHubu
    https://github.com/coleifer/huey
  4. Looking for an alternative to Celery? Try Huey
    https://hub.packtpub.com/looking-for-alternative-celery-try-huey/
  5. Celery vs. Huey vs. other?
    https://www.reddit.com/r/djan­go/comments/2swfz2/celery_vs_hu­ey_vs_other/
  6. POSIX message queues in Linux
    https://www.softprayog.in/pro­gramming/interprocess-communication-using-posix-message-queues-in-linux
  7. How is a message queue implemented in the Linux kernel?
    https://unix.stackexchange­.com/questions/6930/how-is-a-message-queue-implemented-in-the-linux-kernel/6935
  8. ‘IPCS’ command in Linux with examples
    https://www.geeksforgeeks.org/ipcs-command-linux-examples/
  9. System V IPC: Message Queues
    https://nitish712.blogspot­.com/2012/11/system-v-ipc-message-queues.html
  10. How to create, check and delete IPC share memory, semaphare and message queue on linux
    https://fibrevillage.com/sysadmin/225-how-to-create-check-and-delete-ipc-share-memory-semaphare-and-message-queue-on-linux
  11. MQ_OVERVIEW(7): Linux Programmer's Manual
    http://man7.org/linux/man-pages/man7/mq_overview.7.html
  12. mq_overview (7) – Linux Man Pages
    https://www.systutorials.com/doc­s/linux/man/7-mq_overview/
  13. POSIX.4 Message Queues (+ rozšíření QNX)
    https://users.pja.edu.pl/~jms/qnx/hel­p/watcom/clibref/mq_overvi­ew.html
  14. System V message queues in Linux
    https://www.softprayog.in/pro­gramming/interprocess-communication-using-system-v-message-queues-in-linux
  15. Linux System V and POSIX IPC Examples
    http://hildstrom.com/projec­ts/ipc_sysv_posix/index.html
  16. Programming Tutorial – Linux: Message Queues
    https://ccppcoding.blogspot­.com/2013/03/linux-message-queues.html
  17. Go wrapper for POSIX Message Queues
    https://github.com/syucream/posix_mq
  18. Stránka projektu NSQ
    https://nsq.io/
  19. Dokumentace k projektu NSQ
    https://nsq.io/overview/design.html
  20. Dokumentace ke klientovi pro Go
    https://godoc.org/github.com/nsqio/go-nsq
  21. Dokumentace ke klientovi pro Python
    https://pynsq.readthedocs­.io/en/latest/
  22. Binární tarbally s NSQ
    https://nsq.io/deployment/in­stalling.html
  23. GitHub repositář projektu NSQ
    https://github.com/nsqio/nsq
  24. Klienti pro NSQ
    https://nsq.io/clients/cli­ent_libraries.html
  25. Klient pro Go
    https://github.com/nsqio/go-nsq
  26. Klient pro Python
    https://github.com/nsqio/pynsq
  27. An Example of Using NSQ From Go
    http://tleyden.github.io/blog/2014/11/12/an-example-of-using-nsq-from-go/
  28. Go Go Gadget
    https://word.bitly.com/pos­t/29550171827/go-go-gadget
  29. Simplehttp
    https://github.com/bitly/simplehttp
  30. Dramatiq: simple task processing
    https://dramatiq.io/
  31. Cookbook (for Dramatiq)
    https://dramatiq.io/cookbook.html
  32. Balíček dramatiq na PyPi
    https://pypi.org/project/dramatiq/
  33. Dramatiq dashboard
    https://github.com/Bogdan­p/dramatiq_dashboard
  34. Dramatiq na Redditu
    https://www.reddit.com/r/dramatiq/
  35. A Dramatiq broker that can be used with Amazon SQS
    https://github.com/Bogdan­p/dramatiq_sqs
  36. nanomsg na GitHubu
    https://github.com/nanomsg/nanomsg
  37. Referenční příručka knihovny nanomsg
    https://nanomsg.org/v1.1.5/na­nomsg.html
  38. nng (nanomsg-next-generation)
    https://github.com/nanomsg/nng
  39. Differences between nanomsg and ZeroMQ
    https://nanomsg.org/documentation-zeromq.html
  40. NATS
    https://nats.io/about/
  41. NATS Streaming Concepts
    https://nats.io/documenta­tion/streaming/nats-streaming-intro/
  42. NATS Streaming Server
    https://nats.io/download/nats-io/nats-streaming-server/
  43. NATS Introduction
    https://nats.io/documentation/
  44. NATS Client Protocol
    https://nats.io/documenta­tion/internals/nats-protocol/
  45. NATS Messaging (Wikipedia)
    https://en.wikipedia.org/wi­ki/NATS_Messaging
  46. Stránka Apache Software Foundation
    http://www.apache.org/
  47. Informace o portu 5672
    http://www.tcp-udp-ports.com/port-5672.htm
  48. Třída MessagingHandler knihovny Qpid Proton
    https://qpid.apache.org/releases/qpid-proton-0.27.0/proton/python/api/pro­ton._handlers.MessagingHan­dler-class.html
  49. Třída Event knihovny Qpid Proton
    https://qpid.apache.org/releases/qpid-proton-0.27.0/proton/python/api/pro­ton._events.Event-class.html
  50. package stomp (Go)
    https://godoc.org/github.com/go-stomp/stomp
  51. Go language library for STOMP protocol
    https://github.com/go-stomp/stomp
  52. python-qpid-proton 0.26.0 na PyPi
    https://pypi.org/project/python-qpid-proton/
  53. Qpid Proton
    http://qpid.apache.org/proton/
  54. Using the AMQ Python Client
    https://access.redhat.com/do­cumentation/en-us/red_hat_amq/7.1/html-single/using_the_amq_python_client/
  55. Apache ActiveMQ
    http://activemq.apache.org/
  56. Apache ActiveMQ Artemis
    https://activemq.apache.org/artemis/
  57. Apache ActiveMQ Artemis User Manual
    https://activemq.apache.or­g/artemis/docs/latest/index­.html
  58. KahaDB
    http://activemq.apache.or­g/kahadb.html
  59. Understanding the KahaDB Message Store
    https://access.redhat.com/do­cumentation/en-US/Fuse_MQ_Enterprise/7.1/html/Con­figuring_Broker_Persisten­ce/files/KahaDBOverview.html
  60. Command Line Tools (Apache ActiveMQ)
    https://activemq.apache.org/activemq-command-line-tools-reference.html
  61. stomp.py 4.1.21 na PyPi
    https://pypi.org/project/stomp.py/
  62. Stomp Tutorial
    https://access.redhat.com/do­cumentation/en-US/Fuse_Message_Broker/5.5/html/Con­nectivity_Guide/files/FMBCon­nectivityStompTelnet.html
  63. Heartbeat (computing)
    https://en.wikipedia.org/wi­ki/Heartbeat_(computing)
  64. Apache Camel
    https://camel.apache.org/
  65. Red Hat Fuse
    https://developers.redhat­.com/products/fuse/overvi­ew/
  66. Confusion between ActiveMQ and ActiveMQ-Artemis?
    https://serverfault.com/qu­estions/873533/confusion-between-activemq-and-activemq-artemis
  67. Staré stránky projektu HornetQ
    http://hornetq.jboss.org/
  68. Snapshot JeroMQ verze 0.4.4
    https://oss.sonatype.org/con­tent/repositories/snapshot­s/org/zeromq/jeromq/0.4.4-SNAPSHOT/
  69. Difference between ActiveMQ vs Apache ActiveMQ Artemis
    http://activemq.2283324.n4­.nabble.com/Difference-between-ActiveMQ-vs-Apache-ActiveMQ-Artemis-td4703828.html
  70. Microservices communications. Why you should switch to message queues
    https://dev.to/matteojoli­veau/microservices-communications-why-you-should-switch-to-message-queues–48ia
  71. Stomp.py 4.1.19 documentation
    https://stomppy.readthedoc­s.io/en/stable/
  72. Repositář knihovny JeroMQ
    https://github.com/zeromq/jeromq/
  73. ØMQ – Distributed Messaging
    http://zeromq.org/
  74. ØMQ Community
    http://zeromq.org/community
  75. Get The Software
    http://zeromq.org/intro:get-the-software
  76. PyZMQ Documentation
    https://pyzmq.readthedocs­.io/en/latest/
  77. Module: zmq.decorators
    https://pyzmq.readthedocs­.io/en/latest/api/zmq.deco­rators.html
  78. ZeroMQ is the answer, by Ian Barber
    https://vimeo.com/20605470
  79. ZeroMQ RFC
    https://rfc.zeromq.org/
  80. ZeroMQ and Clojure, a brief introduction
    https://antoniogarrote.wor­dpress.com/2010/09/08/zeromq-and-clojure-a-brief-introduction/
  81. zeromq/czmq
    https://github.com/zeromq/czmq
  82. golang wrapper for CZMQ
    https://github.com/zeromq/goczmq
  83. ZeroMQ version reporting in Python
    http://zguide.zeromq.org/py:version
  84. A Go interface to ZeroMQ version 4
    https://github.com/pebbe/zmq4
  85. Broker vs. Brokerless
    http://zeromq.org/whitepa­pers:brokerless
  86. Learning ØMQ with pyzmq
    https://learning-0mq-with-pyzmq.readthedocs.io/en/latest/
  87. Céčková funkce zmq_ctx_new
    http://api.zeromq.org/4–2:zmq-ctx-new
  88. Céčková funkce zmq_ctx_destroy
    http://api.zeromq.org/4–2:zmq-ctx-destroy
  89. Céčková funkce zmq_bind
    http://api.zeromq.org/4–2:zmq-bind
  90. Céčková funkce zmq_unbind
    http://api.zeromq.org/4–2:zmq-unbind
  91. Céčková C funkce zmq_connect
    http://api.zeromq.org/4–2:zmq-connect
  92. Céčková C funkce zmq_disconnect
    http://api.zeromq.org/4–2:zmq-disconnect
  93. Céčková C funkce zmq_send
    http://api.zeromq.org/4–2:zmq-send
  94. Céčková C funkce zmq_recv
    http://api.zeromq.org/4–2:zmq-recv
  95. Třída Context (Python)
    https://pyzmq.readthedocs­.io/en/latest/api/zmq.html#con­text
  96. Třída Socket (Python)
    https://pyzmq.readthedocs­.io/en/latest/api/zmq.html#soc­ket
  97. Python binding
    http://zeromq.org/bindings:python
  98. Why should I have written ZeroMQ in C, not C++ (part I)
    http://250bpm.com/blog:4
  99. Why should I have written ZeroMQ in C, not C++ (part II)
    http://250bpm.com/blog:8
  100. About Nanomsg
    https://nanomsg.org/
  101. Advanced Message Queuing Protocol
    https://www.amqp.org/
  102. Advanced Message Queuing Protocol na Wikipedii
    https://en.wikipedia.org/wi­ki/Advanced_Message_Queuin­g_Protocol
  103. Dokumentace k příkazu rabbitmqctl
    https://www.rabbitmq.com/rab­bitmqctl.8.html
  104. RabbitMQ
    https://www.rabbitmq.com/
  105. RabbitMQ Tutorials
    https://www.rabbitmq.com/get­started.html
  106. RabbitMQ: Clients and Developer Tools
    https://www.rabbitmq.com/dev­tools.html
  107. RabbitMQ na Wikipedii
    https://en.wikipedia.org/wi­ki/RabbitMQ
  108. Streaming Text Oriented Messaging Protocol
    https://en.wikipedia.org/wi­ki/Streaming_Text_Oriented_Mes­saging_Protocol
  109. Message Queuing Telemetry Transport
    https://en.wikipedia.org/wiki/MQTT
  110. Erlang
    http://www.erlang.org/
  111. pika 0.12.0 na PyPi
    https://pypi.org/project/pika/
  112. Introduction to Pika
    https://pika.readthedocs.i­o/en/stable/
  113. Langohr: An idiomatic Clojure client for RabbitMQ that embraces the AMQP 0.9.1 model
    http://clojurerabbitmq.info/
  114. AMQP 0–9–1 Model Explained
    http://www.rabbitmq.com/tutorials/amqp-concepts.html
  115. Part 1: RabbitMQ for beginners – What is RabbitMQ?
    https://www.cloudamqp.com/blog/2015–05–18-part1-rabbitmq-for-beginners-what-is-rabbitmq.html
  116. Downloading and Installing RabbitMQ
    https://www.rabbitmq.com/dow­nload.html
  117. celery na PyPi
    https://pypi.org/project/celery/
  118. Databáze Redis (nejenom) pro vývojáře používající Python
    https://www.root.cz/clanky/databaze-redis-nejenom-pro-vyvojare-pouzivajici-python/
  119. Databáze Redis (nejenom) pro vývojáře používající Python (dokončení)
    https://www.root.cz/clanky/databaze-redis-nejenom-pro-vyvojare-pouzivajici-python-dokonceni/
  120. Redis Queue (RQ)
    https://www.fullstackpython.com/redis-queue-rq.html
  121. Python Celery & RabbitMQ Tutorial
    https://tests4geeks.com/python-celery-rabbitmq-tutorial/
  122. Flower: Real-time Celery web-monitor
    http://docs.celeryproject­.org/en/latest/userguide/mo­nitoring.html#flower-real-time-celery-web-monitor
  123. Asynchronous Tasks With Django and Celery
    https://realpython.com/asynchronous-tasks-with-django-and-celery/
  124. First Steps with Celery
    http://docs.celeryproject­.org/en/latest/getting-started/first-steps-with-celery.html
  125. node-celery
    https://github.com/mher/node-celery
  126. Full Stack Python: web development
    https://www.fullstackpython.com/web-development.html
  127. Introducing RQ
    https://nvie.com/posts/introducing-rq/
  128. Asynchronous Tasks with Flask and Redis Queue
    https://testdriven.io/asynchronous-tasks-with-flask-and-redis-queue
  129. rq-dashboard
    https://github.com/eoranged/rq-dashboard
  130. Stránky projektu Redis
    https://redis.io/
  131. Introduction to Redis
    https://redis.io/topics/introduction
  132. Try Redis
    http://try.redis.io/
  133. Redis tutorial, April 2010 (starší, ale pěkně udělaný)
    https://static.simonwilli­son.net/static/2010/redis-tutorial/
  134. Python Redis
    https://redislabs.com/lp/python-redis/
  135. Redis: key-value databáze v paměti i na disku
    https://www.zdrojak.cz/clanky/redis-key-value-databaze-v-pameti-i-na-disku/
  136. Praktický úvod do Redis (1): vaše distribuovaná NoSQL cache
    http://www.cloudsvet.cz/?p=253
  137. Praktický úvod do Redis (2): transakce
    http://www.cloudsvet.cz/?p=256
  138. Praktický úvod do Redis (3): cluster
    http://www.cloudsvet.cz/?p=258
  139. Connection pool
    https://en.wikipedia.org/wi­ki/Connection_pool
  140. Instant Redis Sentinel Setup
    https://github.com/ServiceStack/redis-config
  141. How to install REDIS in LInux
    https://linuxtechlab.com/how-install-redis-server-linux/
  142. Redis RDB Dump File Format
    https://github.com/sripat­hikrishnan/redis-rdb-tools/wiki/Redis-RDB-Dump-File-Format
  143. Lempel–Ziv–Welch
    https://en.wikipedia.org/wi­ki/Lempel%E2%80%93Ziv%E2%80%93­Welch
  144. Redis Persistence
    https://redis.io/topics/persistence
  145. Redis persistence demystified
    http://oldblog.antirez.com/post/redis-persistence-demystified.html
  146. Redis reliable queues with Lua scripting
    http://oldblog.antirez.com/post/250
  147. Ost (knihovna)
    https://github.com/soveran/ost
  148. NoSQL
    https://en.wikipedia.org/wiki/NoSQL
  149. Shard (database architecture)
    https://en.wikipedia.org/wi­ki/Shard_%28database_archi­tecture%29
  150. What is sharding and why is it important?
    https://stackoverflow.com/qu­estions/992988/what-is-sharding-and-why-is-it-important
  151. What Is Sharding?
    https://btcmanager.com/what-sharding/
  152. Redis clients
    https://redis.io/clients
  153. Category:Lua-scriptable software
    https://en.wikipedia.org/wi­ki/Category:Lua-scriptable_software
  154. Seriál Programovací jazyk Lua
    https://www.root.cz/seria­ly/programovaci-jazyk-lua/
  155. Redis memory usage
    http://nosql.mypopescu.com/pos­t/1010844204/redis-memory-usage
  156. Ukázka konfigurace Redisu pro lokální testování
    https://github.com/tisnik/pre­sentations/blob/master/re­dis/redis.conf
  157. Resque
    https://github.com/resque/resque
  158. Nested transaction
    https://en.wikipedia.org/wi­ki/Nested_transaction
  159. Publish–subscribe pattern
    https://en.wikipedia.org/wi­ki/Publish%E2%80%93subscri­be_pattern
  160. Messaging pattern
    https://en.wikipedia.org/wi­ki/Messaging_pattern
  161. Using pipelining to speedup Redis queries
    https://redis.io/topics/pipelining
  162. Pub/Sub
    https://redis.io/topics/pubsub
  163. ZeroMQ distributed messaging
    http://zeromq.org/
  164. ZeroMQ: Modern & Fast Networking Stack
    https://www.igvita.com/2010/09/03/ze­romq-modern-fast-networking-stack/
  165. Publish/Subscribe paradigm: Why must message classes not know about their subscribers?
    https://stackoverflow.com/qu­estions/2908872/publish-subscribe-paradigm-why-must-message-classes-not-know-about-their-subscr
  166. Python & Redis PUB/SUB
    https://medium.com/@johngrant/python-redis-pub-sub-6e26b483b3f7
  167. Message broker
    https://en.wikipedia.org/wi­ki/Message_broker
  168. RESP Arrays
    https://redis.io/topics/protocol#array-reply
  169. Redis Protocol specification
    https://redis.io/topics/protocol
  170. Redis Pub/Sub: Intro Guide
    https://www.redisgreen.net/blog/pubsub-intro/
  171. Redis Pub/Sub: Howto Guide
    https://www.redisgreen.net/blog/pubsub-howto/
  172. Comparing Publish-Subscribe Messaging and Message Queuing
    https://dzone.com/articles/comparing-publish-subscribe-messaging-and-message
  173. Apache Kafka
    https://kafka.apache.org/
  174. Iron
    http://www.iron.io/mq
  175. kue (založeno na Redisu, určeno pro node.js)
    https://github.com/Automattic/kue
  176. Cloud Pub/Sub
    https://cloud.google.com/pubsub/
  177. Introduction to Redis Streams
    https://redis.io/topics/streams-intro
  178. glob (programming)
    https://en.wikipedia.org/wi­ki/Glob_(programming)
  179. Why and how Pricing Assistant migrated from Celery to RQ – Paris.py
    https://www.slideshare.net/syl­vinus/why-and-how-pricing-assistant-migrated-from-celery-to-rq-parispy-2
  180. Enqueueing internals
    http://python-rq.org/contrib/
  181. queue — A synchronized queue class
    https://docs.python.org/3/li­brary/queue.html
  182. Queue – A thread-safe FIFO implementation
    https://pymotw.com/2/Queue/
  183. Queues
    http://queues.io/
  184. Windows Subsystem for Linux Documentation
    https://docs.microsoft.com/en-us/windows/wsl/about
  185. RestMQ
    http://restmq.com/
  186. ActiveMQ
    http://activemq.apache.org/
  187. Amazon MQ
    https://aws.amazon.com/amazon-mq/
  188. Amazon Simple Queue Service
    https://aws.amazon.com/sqs/
  189. Celery: Distributed Task Queue
    http://www.celeryproject.org/
  190. Disque, an in-memory, distributed job queue
    https://github.com/antirez/disque
  191. rq-dashboard
    https://github.com/eoranged/rq-dashboard
  192. Projekt RQ na PyPi
    https://pypi.org/project/rq/
  193. rq-dashboard 0.3.12
    https://pypi.org/project/rq-dashboard/
  194. Job queue
    https://en.wikipedia.org/wi­ki/Job_queue
  195. Why we moved from Celery to RQ
    https://frappe.io/blog/technology/why-we-moved-from-celery-to-rq
  196. Running multiple workers using Celery
    https://serverfault.com/qu­estions/655387/running-multiple-workers-using-celery
  197. celery — Distributed processing
    http://docs.celeryproject­.org/en/latest/reference/ce­lery.html
  198. Chains
    https://celery.readthedoc­s.io/en/latest/userguide/can­vas.html#chains
  199. Routing
    http://docs.celeryproject­.org/en/latest/userguide/rou­ting.html#automatic-routing
  200. Celery Distributed Task Queue in Go
    https://github.com/gocelery/gocelery/
  201. Python Decorators
    https://wiki.python.org/mo­in/PythonDecorators
  202. Periodic Tasks
    http://docs.celeryproject­.org/en/latest/userguide/pe­riodic-tasks.html
  203. celery.schedules
    http://docs.celeryproject­.org/en/latest/reference/ce­lery.schedules.html#celery­.schedules.crontab
  204. Pros and cons to use Celery vs. RQ
    https://stackoverflow.com/qu­estions/13440875/pros-and-cons-to-use-celery-vs-rq
  205. Priority queue
    https://en.wikipedia.org/wi­ki/Priority_queue
  206. Jupyter
    https://jupyter.org/
  207. How IPython and Jupyter Notebook work
    https://jupyter.readthedoc­s.io/en/latest/architectu­re/how_jupyter_ipython_wor­k.html
  208. Context Managers
    http://book.pythontips.com/en/la­test/context_managers.html

Byl pro vás článek přínosný?