您的目标是：

1. 将您的工作分配到许多机器（分布式计算/分布式并行处理）
2. 将工作分配到所有CPU上的给定计算机上（多处理/线程）

芹菜可以很轻松地为您做这两个。首先要了解的是，每个celery
worker默认配置为运行与系统上可用CPU内核数量一样多的任务：

并发是用于同时处理您的任务的前叉工作进程的数量，当所有这些工作都忙于工作时，新任务将必须等待其中一项任务完成才能被处理。

缺省的并发数是该机器（包括核心）上的CPU数 ，您可以使用-
c选项指定自定义数。没有建议值，因为最佳数量取决于许多因素，但是如果您的任务主要是受I /
O约束的，那么您可以尝试增加它，实验表明，很少会增加两倍以上的CPU数量有效，并且有可能降低性能。

这意味着每个任务都不必担心使用多处理/线程来利用多个CPU /内核。相反，芹菜将同时运行足够的任务以使用每个可用的CPU。

有了这一点，下一步就是创建一个任务来处理您的的某些子集list_of_millions_of_ids。您这里有两个选择-
一个是让每个任务处理一个ID，因此您要运行N个任务，其中N == len(list_of_millions_of_ids)。这将确保工作在所有任务中平均分配，因为永远不会出现一个工人提前完成而只是在等待的情况。如果需要工作，可以将ID移出队列。您可以使用芹菜来做到这一点（如John
Doe所述）group。

task.py：

@app.task
def process_id(item):
    id = item #long complicated equation here
    database.objects(newid=id).save()

并执行任务：

from celery import group
from tasks import process_id

jobs = group(process_id.s(item) for item in list_of_millions_of_ids)
result = jobs.apply_async()

另一种选择是将列表分成较小的部分，然后将这些部分分发给您的工作人员。这种方法冒着浪费一些周期的风险，因为您可能最终会有些工人在等待而其他人仍在工作。但是，芹菜文档指出这种担心通常是没有根据的：

有些人可能会担心将任务分块会导致并行度降低，但是对于繁忙的集群却很少如此，实际上，由于避免了消息传递的开销，这可能会大大提高性能。

因此，由于减少了消息传递开销，您可能会发现对列表进行分块并将分块分配给每个任务的效果更好。您可能还可以通过以下方式来减轻数据库的负担：计算每个ID，将其存储在列表中，然后在完成后将整个列表添加到DB中，而不是一次执行一个ID
。分块方法看起来像这样

task.py：

@app.task
def process_ids(items):
    for item in items:
        id = item #long complicated equation here
        database.objects(newid=id).save() # Still adding one id at a time, but you don't have to.

并开始任务：

from tasks import process_ids

jobs = process_ids.chunks(list_of_millions_of_ids, 30) # break the list into 30 chunks. Experiment with what number works best here.
jobs.apply_async()

您可以尝试一下分块大小可以为您带来最佳结果的方法。您希望找到一个最佳的位置，在其中减少消息传递的开销，同时又要保持足够小的大小，以免最终导致工作人员完成工作的速度比另一个工作人员快得多，然后无所事事地等待着。