在Django项目中使用Chancy任务队列的完整指南
2025-06-05 12:36:04作者:董斯意
Chancy是一个功能强大的任务队列系统,可以与Django框架无缝集成。本文将详细介绍如何在Django项目中使用Chancy,包括基本配置、与Django ORM的集成以及管理后台的使用技巧。
安装与基础配置
首先需要安装Chancy及其Django相关组件:
pip install chancy[cli,django]
安装完成后,我们需要创建一个worker配置文件。这个文件通常放在Django项目的settings.py同级目录下,命名为worker.py:
import os
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "my_application.settings")
import django
django.setup()
from django.conf import settings
from chancy import Chancy
chancy_app = Chancy(settings.DATABASES["default"])
这个配置做了以下几件事:
- 设置Django环境变量
- 初始化Django
- 使用Django默认数据库配置创建Chancy应用实例
运行Worker进程
配置完成后,可以通过以下命令初始化数据库并启动worker:
chancy --app my_application.worker.chancy_app misc migrate
chancy --app my_application.worker.chancy_app worker start
这两条命令分别执行:
- 数据库迁移(创建Chancy需要的表结构)
- 启动worker进程处理任务
Django ORM与Admin集成
从0.22.0版本开始,Chancy提供了与Django ORM和Admin后台的深度集成功能。要启用这些功能,需要在settings.py中添加:
INSTALLED_APPS = [
...
"chancy.contrib.django",
]
如果还需要使用定时任务(Cron)和工作流(Workflow)功能,可以添加对应的插件:
INSTALLED_APPS = [
...
"chancy.contrib.django",
"chancy.plugins.cron.django",
"chancy.plugins.workflow.django",
]
集成后,你可以在Django Admin中:
- 查看和管理所有任务
- 配置队列和工作线程
- 创建和管理定时任务
- 监控工作流状态
在代码中使用Chancy
集成后,你可以直接在Django代码中使用Chancy的功能:
from chancy.contrib.django.models import Job
# 推送一个新任务
j = await chancy.push(test_job)
# 通过ORM查询任务状态
orm_job = await Job.objects.aget(id=j.identifier)
认证集成
Chancy还支持使用Django的超级用户进行认证,这对于管理后台特别有用。配置方法如下:
from chancy.contrib.django.auth import DjangoAuthBackend
app = Chancy(
dsn=settings.DATABASES["default"],
plugins=[
Api(
authentication_backend=DjangoAuthBackend(),
secret_key=settings.SECRET_KEY,
),
],
)
这样配置后,Django的超级用户就可以直接登录Chancy的管理界面了。
注意事项
- 当前版本要求Chancy的表必须与Django默认数据库在同一个数据库中
- 定时任务和工作流插件是可选的,根据项目需求选择安装
- 异步任务处理需要确保Django环境正确初始化
通过以上配置,你可以轻松地在Django项目中集成Chancy任务队列系统,享受高效的任务处理能力,同时还能利用熟悉的Django ORM和Admin界面进行管理。
登录后查看全文
热门项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
427
3.28 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
343
Ascend Extension for PyTorch
Python
235
267
暂无简介
Dart
686
161
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
327
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
56
33
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
669