前一篇我們提到 Celery 這個工作佇列系統，這一篇我們來介紹 django-q 這個工作佇列系統，django-q 是我在 Facebook 社團裡看到有網友問才知道這個套件的。django-q 跟 Celery 相比，他是 Django 原生的，比較輕量化，也不需要搭配額外的伺服器。

專案網址：https://django-q.readthedocs.io/en/latest/

安裝

poetry add django-q

設定

# settings
INSTALLED_APPS = [
    # other apps
    'django_q',
]

# django-q
Q_CLUSTER = {
    'name': 'dhango_ithome_ironman',
    'workers': 1,
    'recycle': 500,
    'timeout': 60,
    'compress': True,
    'save_limit': 250,
    'queue_limit': 500,
    'cpu_affinity': 1,
    'label': 'Django Q',
    'orm': 'default',
}

# patch for Python 3.8
# https://github.com/Koed00/django-q/issues/389
from multiprocessing import set_start_method
set_start_method('fork')

設定裡的最後兩行很重要，因為 django-q 跟 Python 3.8 有點水土不服，如果不加這兩行，應用程式會無法啟動，關於這個 issue 已經有人回報給 django-q 了。

接著執行 migrate ，這會在資料庫裡建立 django-q 所需的資料表格。

poetry run python manage.py migrate

使用

先在 foodbear 下，新增 tasks.py

# foodbear/tasks.py
def substract(x, y):
  return x - y

接著開啟終端機視窗，在終端機裡執行 qcluster

poetry run python manage.py qcluster

再開啟一個終端機視窗，進入 shell

>>> from django_q.tasks import async_task, result
>>> from foodbear.tasks import substract
>>> task_id = async_task(substract, 10, 7)
>>> print(f"result={result(task_id)}")
3

async_task 與 result 是 django-q 提供的函式，將要執行的函式以及函式參數傳入 async_task 函式就可以拿到一個字串，這是 task 的 id。要取得結果，則是將前面從 async_task 所得到的 task id 傳入 result 函式就可以了。

結語

django-q 相對於 Celery，它的基底是 Django，簡單設定，而且速度也快，不需要依賴其他服務，這是他的優勢。未來需要擴充時，也可以改為使用 Redis 等 Broker backend ，所以，可以視情境來選擇適當的工作佇列系統來使用。

範例程式碼位置：https://github.com/elleryq/ithome-iron-2020-django/tree/day-25