Procrastinate 3.0.0发布:异步任务队列的重大升级
项目简介
Procrastinate是一个基于Python的异步任务队列系统,它允许开发者将耗时的任务推迟到后台执行,从而提高应用程序的响应速度。该项目最初由法国公司PeopleDoc开发并开源,现已成为一个活跃的开源项目。Procrastinate特别适合需要处理大量后台任务的Web应用,它提供了简单易用的API、可靠的执行保证以及与Django等流行框架的良好集成。
3.0.0版本核心改进
1. 工作进程重构
本次版本最重大的变化是对工作进程核心逻辑的重构。这一改进解决了长期存在的性能问题,特别是在高并发场景下。新版本显著减少了数据库查询次数,优化了资源利用率。
重构后的工作进程现在采用更高效的作业处理循环,能够更好地处理并发任务,同时保持系统的稳定性。这对于运行大量后台任务的应用来说,意味着更低的数据库负载和更高的吞吐量。
2. 任务取消机制改进
3.0.0版本引入了更完善的异步任务取消机制:
- 异步任务现在通过asyncio的cancel方法实现取消,开发者可以使用asyncio的shield功能优雅地处理取消请求
- 同步任务虽然不能直接取消,但可以通过检查job_context.should_abort()来响应中止请求
- 新增了job_context.abort_reason属性,帮助开发者区分任务是被用户显式中止还是因为工作进程关闭
这一改进使得任务管理更加灵活和安全,特别是在需要长时间运行的任务场景中。
3. 优雅关闭机制
新版本改进了工作进程的关闭流程:
- 引入了shutdown_graceful_timeout配置项,控制关闭时的超时时间
- 关闭时,所有运行中的任务(包括同步和异步)都会收到中止请求
- 开发者可以编写代码响应这些中止请求,确保资源被正确释放
这对于需要频繁部署更新的生产环境尤为重要,可以避免任务被意外中断导致数据不一致。
4. 状态管理优化
任务状态管理进行了以下改进:
- 将中止请求从任务状态(ABORTING)分离为独立字段(Job.abort_requested)
- 移除了job_context.job_result属性,改为更直接的job_context.start_timestamp
- 优化了JobContext对象的类型提示,消除了不必要的可选类型声明
这些变化使得状态管理更加清晰,减少了潜在的混淆点。
5. 配置项重命名
为了提高配置项的语义明确性:
- timeout参数更名为fetch_job_polling_interval,更准确地反映其用途
- 新增abort_job_polling_interval参数,控制中止请求的轮询间隔
- remove_error参数更名为remove_failed,保持术语一致性
迁移指南
升级到3.0.0版本需要注意以下几点:
-
迁移流程变更:现在迁移分为pre和post两个阶段,pre迁移在代码升级前执行,post迁移在代码升级后执行
-
Python 3.8支持已移除,请确保运行环境使用Python 3.9或更高版本
-
检查代码中对JobContext的用法,特别是已移除的job_result属性和should_abort_async方法
-
更新配置文件中重命名的参数
-
如果使用了中止功能,需要检查相关代码是否适应新的中止机制
性能优化
除了核心重构带来的性能提升外,3.0.0版本还包含以下优化:
- 修复了获取作业时的性能回归问题
- 减少了高并发场景下的数据库查询次数
- 优化了轮询机制,降低了系统开销
开发者体验改进
新版本在开发者体验方面也有多项提升:
- 改进了类型提示,特别是JobContext.task属性
- 新增了InMemoryConnector的异步支持,便于测试
- 添加了Windows平台支持
- 引入了开发容器(devcontainer)配置,简化开发环境搭建
总结
Procrastinate 3.0.0是一个重要的里程碑版本,它通过核心架构的重构和多项改进,显著提升了系统的性能、可靠性和易用性。特别是新的任务取消机制和优雅关闭功能,使得它更适合生产环境中的关键任务场景。
对于现有用户,虽然升级需要一些适配工作,但这些改进带来的长期收益值得投入。新用户可以基于这个更成熟的版本开始使用Procrastinate,享受它提供的强大功能和稳定性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00