WedX - журнал о программировании и компьютерных науках

Доступ к аргументам родительской задачи из подзадачи в Celery

Можно ли получить доступ к аргументам, с которыми была вызвана родительская задача A, из ее дочерней задачи Z? Другими словами, когда задача Z вызывается в цепочке, может ли она каким-то образом получить доступ к аргументу V, который был вызван при запуске задачи A, но который не был передан через какие-либо промежуточные узлы между задачами A и Z? И если да, то как?

Использование Celery 3.0 с RabbitMQ для обработки результатов.

17.02.2013

Ответы:


1

Я собираюсь предварительно ответить на свой вопрос «нет» — и надеюсь, что кто-то более знающий, чем я, вернется с решением.

После более внимательного изучения документации Celery я подумал, что просто нет способа получить доступ к аргументам, с которыми была вызвана родительская задача. Согласно документации:

За время своего существования задача будет проходить через несколько возможных состояний, и к каждому состоянию могут быть присоединены произвольные метаданные. Когда задача переходит в новое состояние, о предыдущем состоянии забывают.

Задача может находиться в одном из следующих состояний: "Ожидание", "Начато", "Успешно", "Ошибка", "Повторить попытку" и "Отменено". Для моего сценария ключевым здесь, по-видимому, будет состояние Success. Что я хочу сделать, так это для данной успешной задачи найти идентификатор (одной из ее) родительской задачи (задач), а затем просмотреть аргументы, с которыми был вызван родитель. Однако, согласно документации, задача в состоянии SUCCESS не будет содержать таких данных (поскольку сама родительская задача будет успешной, поскольку породила дочернюю задачу):

УСПЕХ Задача успешно выполнена.

метаданные: результат содержит возвращаемое значение задачи. распространяется: да готово: да

Другими словами, казалось бы, здесь есть жесткий предел. Даже если я смогу найти идентификатор интересующей меня родительской задачи, поскольку она была успешно выполнена, я по определению не смогу получить доступ к аргументам, с которыми она была вызвана, поскольку она содержит только возвращаемое значение (а не ее значение). аргументы).

18.02.2013
Новые материалы

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..


Для любых предложений по сайту: [email protected]