Я получаю данные опроса, запуская планировщик ударов сельдерея и периодическую задачу. Мне нравится делиться этими данными с сервером Django. эти данные должны быть доступны для всего сервера приложений Django. там в любом случае? и я не хочу делиться этими данными ни с БД, ни с файлом. пожалуйста, предложите мне сделать это лучше, спасибо заранее.
получить данные периодических задач djcelery внутри приложения django и сохранить данные во всем приложении без сохранения в файле и базе данных?
10.09.2018
Ответы:
1
Краткий ответ: то, что вы просите, невозможно, и точка.
Более длинный ответ: учитывая, что производственная установка django будет запускать более одного процесса Django (да, даже с одним единственным сервером), не существует такого понятия, как «THE» сервер django и единственный способ «разделить данные» от рабочих celery к django заключается в том, чтобы хранить их в «чем-то», что 1/доступно для всех рабочих и всех процессов django и 2/поддерживает одновременный доступ — IOW в каком-то процессе сервера базы данных (ваша база данных SQL для постоянных данных, Redis для переходные данные).
10.09.2018
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..