Coravel队列任务中实现带取消功能的负载传递方案
在Coravel任务队列的实际应用中,开发者经常需要处理两种常见需求:向队列任务传递额外参数(负载),以及能够随时取消正在执行的任务。本文深入探讨这两种需求的实现方案,并提供一个优雅的解决方案。
问题背景
Coravel的IQueue接口提供了多种任务排队方法,但在实际使用中存在两个主要限制:
-
无法同时传递负载和取消令牌:现有的QueueCancellableInvocable方法不支持同时传递额外参数,而QueueInvocableWithPayload方法又不支持取消功能。
-
缺乏任务取消机制:虽然QueueCancellableInvocable方法返回任务ID,但没有提供通过该ID取消任务的直接方法,导致开发者需要自行维护取消令牌字典。
解决方案分析
现有API的限制
Coravel内部其实已经维护了一个ConcurrentDictionary<Guid, CancellationTokenSource>来管理取消令牌,但这些实现细节没有暴露给外部使用。这导致开发者不得不重复实现类似的功能。
推荐实现方案
我们可以通过组合使用负载传递和自定义取消机制来解决这个问题:
// 定义包含取消令牌的自定义负载类
public class CancellablePayload
{
public CancellationTokenSource TokenSource { get; set; }
public Guid TaskId { get; set; }
// 其他需要的参数
public int MaxDuration { get; set; }
}
// 使用示例
private readonly ConcurrentDictionary<Guid, CancellablePayload> _taskPayloads = new();
public Guid QueueCancellableTaskWithPayload()
{
var payload = new CancellablePayload
{
TokenSource = new CancellationTokenSource(),
MaxDuration = 30 // 示例参数
};
var taskId = _queue.QueueInvocableWithPayload<MyTask, CancellablePayload>(payload);
payload.TaskId = taskId;
_taskPayloads[taskId] = payload;
return taskId;
}
public bool TryCancelTask(Guid taskId)
{
if (_taskPayloads.TryGetValue(taskId, out var payload))
{
payload.TokenSource.Cancel();
_taskPayloads.TryRemove(taskId, out _);
return true;
}
return false;
}
方案优势
-
统一管理:将取消令牌作为负载的一部分,避免了维护两个独立的数据结构。
-
线程安全:使用ConcurrentDictionary确保多线程环境下的安全访问。
-
可扩展性:可以轻松添加更多任务参数而不改变基本结构。
-
明确的生命周期:任务完成后可以清理相关资源。
最佳实践建议
-
资源清理:确保在任务完成或取消后从字典中移除条目,防止内存泄漏。
-
异常处理:在任务代码中妥善处理OperationCanceledException。
-
超时机制:可以考虑在CancellablePayload中添加超时时间,自动取消长时间运行的任务。
-
日志记录:记录任务取消事件以便调试和监控。
结论
虽然Coravel当前版本没有直接提供同时支持负载和取消的API,但通过这种设计模式,开发者可以灵活地实现所需功能。这种方案不仅解决了当前问题,还提供了良好的扩展性,可以适应更复杂的业务场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00