django-celery-monitor 的安装和配置教程
项目基础介绍
django-celery-monitor 是一个开源项目,它允许用户监控 Celery 任务和工作者(workers)。该项目定义了两个模型 WorkerState 和 TaskState 来存储工作者和任务的状态,用户可以像操作其他 Django 模型一样查询这些数据库表。此外,它还提供了一个 Camera 类,与 Celery 事件命令行工具配合使用,自动将当前 Celery 工作者和任务的状态填充到这两个模型中。
该项目主要使用 Python 编程语言。
项目使用的关键技术和框架
- Django: 一个高级的 Python Web 框架,它鼓励快速开发和干净、实用的设计。
- Celery: 一个异步任务队列/作业队列,基于分布式消息传递进行工作。
准备工作
在开始安装 django-celery-monitor 之前,请确保您的系统中已经安装了以下软件:
- Python (建议版本 3.6 或更高)
- Django (建议版本 2.2 或更高)
- Celery (建议版本 4.0 或更高)
- pip (Python 包管理器)
此外,您还需要一个 Django 项目,因为 django-celery-monitor 是作为 Django 项目的一部分进行安装和使用的。
安装步骤
-
安装
django-celery-monitor库:在您的终端或命令提示符中运行以下命令:
pip install django_celery_monitor -
将
django_celery_monitor添加到您的 Django 项目的settings.py文件中的INSTALLED_APPS列表中:INSTALLED_APPS = ( # ... 'django_celery_monitor', # ... )注意,模块名称中只有下划线,没有破折号。
-
执行数据库迁移来创建 Celery 数据库表:
在您的终端或命令提示符中运行以下命令:
python manage.py migrate celery_monitor -
在 Django 管理界面中查找 "Celery Monitor" 部分,您应该能够看到监控的数据。
-
启动监控过程:
为了启用对当前任务和工作者状态的快照,您需要运行 Celery 事件命令,并使用
django_celery_monitor.camera.Camera类:celery -A proj events -l info --camera django_celery_monitor.camera.Camera --frequency=2.0对于可用的命令行选项的完整列表,请运行:
celery events --help -
配置监控数据保留期限(可选):
在您的 Celery 配置中,您可以设置以下三个配置项,以确定监控信息在数据库中保留的时间。每个配置项都可以是
datetime.timedelta值或None。monitor_task_success_expires:默认为timedelta(days=1)(1 天),用于设置保留成功任务信息的时间。monitor_task_error_expires:默认为timedelta(days=3)(3 天),用于设置保留错误任务信息的时间。monitor_task_pending_expires:默认为timedelta(days=5)(5 天),用于设置保留挂起任务信息的时间。
例如,要修改成功任务的保留时间为 7 天,可以在 Celery 配置中添加以下代码:
from datetime import timedelta monitor_task_success_expires = timedelta(days=7)
完成以上步骤后,您就成功安装并配置了 django-celery-monitor。现在您可以监控您的 Celery 任务和工作者了。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00