funboost 54.9

pip install funboost，python全功能分布式函数调度框架,funboost的功能是全面性重量级，用户能想得到的功能99%全都有;funboost的使用方式是轻量级，只有@boost一行代码需要写。支持python所有类型的并发模式和一切知名消息队列中间件，支持如 celery dramatiq等框架整体作为funboost中间件，python函数加速器，框架包罗万象，用户能想到的控制功能全都有。一统编程思维，兼容50% python业务场景，适用范围广。只需要一行代码即可分布式执行python一切函数，funboost web manager 方便查看和管理消费函数；99%用过funboost的pythoner 感受是　简易方便强劲强大，相见恨晚

pip install funboost

1. Python 分布式函数调度平台 Funboost 简介

Funboost — 一行 @boost 装饰器，让 Python 函数获得 40+ 种消息队列 + 分布式调度 + FaaS 微服务的能力。以下是您的核心学习资源导航：

资源类型	链接地址	说明
⚡ 快速预览	👉 点击查看演示	直观感受框架运行效果
📖 完全教程	👉 ReadTheDocs	包含原理、API 与进阶用法
🤖 AI 助教	👉 AI 学习指南	[必读] 利用 AI 掌握框架的最佳捷径
📄 超级 AI 上下文文档	👉 funboost_all_docs_and_codes.md	约 900K 上下文，包含 Rules、Skills、完整教程、源码和使用 Demo，直接投喂给 AI 即可让它帮你写代码

1.0 funboost 框架说明介绍

Funboost 用一行 @boost 即可为项目中任意函数接入分布式调度、队列与 FaaS 等能力；宏观定位与典型场景见下文 1.0.4。

Funboost 的核心价值主张：把复杂留给框架，把简单留给用户。

📹 观看 funboost 视频

您的浏览器不支持视频播放。

🎧 收听 funboost 音频

您的浏览器不支持音频播放。

1.0.1 funboost 示意图

1.0.1.1 funboost 运行流程图

funboost 采用经典的 生产者 → Broker → 消费者 架构模型，并支持可选的 RPC 模式（消费者 → 生产者）。

虽然 funboost 的功能丰富度远超 scrapy 等专业框架，但其架构设计却保持了极致的简洁性，核心流程一目了然。

funboost 运行流程图

1.0.1.2 funboost 功能思维导图

funboost使用极其简单，只有一行@boost，但是用户能想得到的功能全都有。良好的软件设计架构，以致funboost框架可以扩展无限可能。

从funboost 思维导图来看，funboost支持 40+ 种消息队列支持、30+ 种任务控制功能、所有python并发模式、rpc、微批消费、cdc事件驱动、 funboost管理可视化、分布式定时任务、faas 热加载、workflow任务编排、funspider和boost_spider爬虫、promethus指标监控、opentelemetry全链路任务追踪等，适用范围顶python编程半边天。

思维导图图片分辨率大，建议下载保存，用本地图片软件查看。

funboost 功能思维导图

1.0.2 快速了解和上手funboost，直接看 1.3 章节例子

1.0.3 funboost 框架安装方式

pip install funboost --upgrade  

或 pip install funboost[all]  #一次性安装所有小众三方中间件

1.0.4 funboost 核心能力与适用场景

funboost 通过一行 @boost 装饰器，将普通函数升级为分布式计算单元。功能是重量级的，使用方式却是极致轻量级的——只有 @boost 一行代码需要写。99% 用过 funboost 的用户核心感受是：方便、高速、强大、自由。

无论新老项目，Funboost 都能无缝融入，提供以下核心能力：

🌐 需要分布式？ 没问题！Funboost 支持 40+种 消息队列中间件。只要是叫得上名字的 MQ（甚至包括数据库、文件系统），它都能支持。
⚡ 需要 FaaS (Function as a Service)？ 这是亮点！ 借助 funboost.faas，您可以一键将普通函数转化为 HTTP 微服务接口。函数自动发现，发布消息、获取结果、管理任务，瞬间完成 Serverless 般的体验。
🚀 需要并发？ 满足你！Python 所有的并发模式（线程、协程、多进程）任你选择，甚至支持它们叠加使用，榨干 CPU 性能。
🛡️ 需要可靠性？ 稳如泰山！消费确认 (ACK)、自动重试、死信队列 (DLQ)、断点续爬... 即使服务器宕机，任务也绝不丢失。
🎛️ 需要控制力？ 如臂使指！精准 QPS 控频、分布式限流、定时任务、延时任务、超时熔断、任务过滤... 给您三十多种控制武器。
📊 需要监控？ 一目了然！开箱即用的 funweb (Funboost Web Manager)，让您对任务状态、队列积压、消费者实例等信息了如指掌。
🦅 需要自由？ 零侵入！它不绑架您的代码，不强管您的项目结构。随时能用，随时能走，还您最纯粹的 Python 编程体验。

1.0.5 延伸阅读：如何理解 Funboost、是否值得投入

边界与定位难用一句话概括，发散性阐述见文档 6.0b 章节；学习是否值得花时间，详见文档 6.0 章节评估。

1.0.6 Funboost 与 Celery 的理念区别

核心比喻： funboost 与 celery 的关系，如同 iPhone 与 诺基亚塞班。它们的核心功能虽都是通讯（任务调度），但不能因为功能重叠就判定为重复造轮子。正如 iPhone 重新定义了手机，Funboost 正在重新定义分布式任务调度，让“框架奴役”成为历史。

1. 共同点 两者本质上都是基于分布式消息队列的异步任务调度框架，遵循经典的编程思想：

生产者 (Producer) -> 中间件 (Broker) -> 消费者 (Consumer)

2. 核心区别

维度	Celery (重型框架)	Funboost (函数增强器)
设计理念	框架奴役：代码需围绕 Celery 的架构和 App 实例组织。	自由赋能：非侵入式设计，为任意函数插上分布式的翅膀。
一等公民	`Celery App` 实例 (Task 是二等公民)	用户函数 (无需关注 App 实例)
核心语法	需定义 App，使用 `@app.task`	直接使用 `@boost` 装饰器
易用性	需规划特定的项目结构，上手门槛较高。	极简，任意位置的新旧函数加上装饰器即可用。
性能表现	传统性能基准。	断层式领先：发布性能是 Celery 的 22倍，消费性能是 46倍。
功能广度	支持主流中间件。	支持 40+ 种中间件，拥有更多精细的任务控制功能。
AI 辅助编程	官方文档需人工亲自阅读，学习成本高。	超级 AI 上下文文档：`funboost_all_docs_and_codes.md` （约 900K 上下文），可直接投喂给 AI，让 AI 帮你写代码、解答问题，无需吃苦看文档。

1.0.7 Funboost 支持的并发模式

funboost 全面覆盖 Python 生态下的并发执行方式，并支持灵活的组合叠加：

基础并发模式：支持 threading (多线程)、asyncio (异步IO)、gevent (协程)、eventlet (协程) 以及 单线程 模式。
叠加增强模式：支持 多进程 (Multi-Processing) 与上述任一细粒度并发模式（如多线程或协程）进行叠加，最大限度利用多核 CPU 资源。

1.0.8 Funboost 支持的消息队列中间件 (Broker)

得益于强大的架构设计，在 funboost 中 “万物皆可为 Broker”。不仅涵盖了传统 MQ，更拓展了数据库、网络协议及第三方框架。

传统消息队列：RabbitMQ, Kafka, NSQ, RocketMQ, MQTT, NATS, Pulsar 等。
数据库作为 Broker：
- NoSQL: Redis (支持 List, Pub/Sub, Stream 等多种模式), MongoDB.
- SQL: MySQL, PostgreSQL, Oracle, SQL Server, SQLite (通过 SQLAlchemy/Peewee 支持).
网络协议直连：TCP, UDP, HTTP, gRPC (无需部署 MQ 服务即可实现队列通信)。
文件系统：本地文件/文件夹, SQLite (适合单机或简单场景).
事件驱动 (CDC)：支持 MySQL CDC (基于 Binlog 变更捕获)，使 Funboost 具备了事件驱动能力，设计理念远超传统任务队列。
第三方框架集成：可直接将 Celery, Dramatiq, Huey, RQ, Nameko 等框架作为底层 Broker，利用 Funboost 的统一接口调度它们的核心。

1.0.9 funboost 学习难吗?

答案是：极易上手。Funboost 是"反框架"的框架。

🎯 核心极简 整个框架只需要掌握 @boost 这一个装饰器及其入参（BoosterParams）。所有的用法几乎都遵循 1.3 章节 示例的模式，一通百通。
🔄 进退自如（双模运行） 加上 @boost 装饰器后，你的函数依然保持纯洁：
- 调用 fun(x, y)：直接运行函数（同步执行，不经过队列）。
- 调用 fun.push(x, y)：发送到消息队列（分布式异步执行）。
🤖 面向 AI 编程的超级 AI 上下文文档 Funboost 提供了 funboost_all_docs_and_codes.md（约 900K 上下文），可直接投喂给 AI（如 DeepSeek、Gemini 等百万上下文模型），实现极致的 AI 辅助编程体验。

👉 关于"Funboost 学习和使用难吗？"的详细深度回答，请参阅文档 6.0.c 章节。

1.0.10 📊 监控与口碑

可视化管理：Funboost 内置 funweb (Funboost Web Manager)，支持队列积压、消费者状态等核心指标监控，开箱即用。

用户口碑：95% 的用户初步使用后表示"相见恨晚"，核心评价：极致自由、零侵入、简单强大。

1.1 📚 核心资源与文档导航

1.1.1 📝 项目文档入口

🚀 快速上手指南

文档说明：文档篇幅较长，主要包含原理讲解与框架对比（How & Why）。

学习捷径：您只需要重点学习 [1.3 章节] 的这 1 个例子即可！ 其他例子仅是修改 @boost 装饰器中 BoosterParams 的入参配置。

核心要点：funboost 极其易用，仅需掌握一行 @boost 代码。

🤖 AI 辅助：强烈推荐阅读 [第 14 章]，学习如何利用 AI 大模型快速掌握 funboost 的用法。

🔗 在线文档地址：ReadTheDocs - Funboost Latest 超级 AI 上下文文档：funboost_all_docs_and_codes.md

📖 文档章节速览

🔰 基础入门 & 核心概念	🚀 进阶功能 & 场景实战	🤖 AI & 参考资料
1. funboost 框架简介	4b. 代码示例 (高级进阶)	14. AI 辅助学习指南 (必读)
2. funboost 对比 Celery	8. 爬虫实战：自由编程 vs 框架奴役	6. 常见问题 Q&A
3. 框架详细介绍	9. 轻松远程服务器部署	10. 常见报错与问题反馈
4. 各种代码示例 (核心)	11. 集成第三方框架 (Celery/Kombu等)	7. 更新记录
5. 运行时截图展示	12. 命令行控制台支持	20. 框架中心思想
	13. funweb 可视化管理
	⚡ 15. FaaS Serverless 微服务 (战略级核心)

1.1.2 📦 源码与依赖

GitHub 项目主页：ydf0509/funboost
nb_log 日志文档：NB-Log Documentation

1.2 框架功能介绍

本节用示意图、与线程池的对比以及 1.2.2 任务控制功能矩阵 展开能力细节；框架总体定位与适用场景已在上文 1.0.4 说明。

funboost示图：

也就是这种非常普通的流程图,一样的意思
funboost示图

1.2.1 🆚 对比：Funboost 取代传统线程池

以下两种方式均实现 10并发 运行函数 f。Funboost 更加简洁且具备扩展性。

❌ 方式 A：手动开启线程池 (传统)

import time
from concurrent.futures import ThreadPoolExecutor

def f(x):
    time.sleep(3)
    print(x)

pool = ThreadPoolExecutor(10)

if __name__ == '__main__':
    for i in range(100):
        pool.submit(f, i)

✅ 方式 B：Funboost @boost 模式 (推荐)

import time
from funboost import boost,BoosterParams, BrokerEnum

# 仅需一行装饰器，即可获得 10 线程并发 + 消息队列能力
@boost(BoosterParams(queue_name="test_insteda_thread_queue", 
               broker_kind=BrokerEnum.MEMORY_QUEUE, 
               concurrent_num=10, 
               is_auto_start_consuming_message=True))   
def f(x):
    time.sleep(3)
    print(x)

if __name__ == '__main__':
    for i in range(100):
        f.push(i)

✅ 方式 C：FunboostPool 模式

FunboostPool 完美平替 concurrent.futures.ThreadPoolExecutor，只需要替换一行实例化代码，无任何负担，兼容用户老项目到极致了。

详见教程 4.38章节 ## 4.38 MemoryFunboostPool 和 FunboostPool 的使用

from funboost import MemoryFunboostPool,FunboostPool
pool = MemoryFunboostPool(10,) # 完美支持submit 和map，入参和返回类型一致。
future = pool.submit(task_fun, 1, 2) # future类型是 concurrent.futures.Future 。
print(future.result()) # 一样能通过future获取结果

1.2.2 🚀 任务控制功能矩阵

Funboost 将分布式系统的复杂性封装于内核，向下屏蔽基础设施差异，向上提供标准化的调度原语。以下是框架核心能力的 7 维全景视图：

🌌 维度一：连接与架构 (Connectivity & Architecture)

能力模块	技术特性说明
Broker 适配	40+ 协议支持：RabbitMQ, Kafka, RocketMQ, Pulsar, NATS, Redis (List/Stream/PubSub), SQL/NoSQL, 文件系统, TCP/UDP/HTTP。
FaaS 微服务	自动路由：通过 `funboost.faas`，消费函数自动注册为 FastAPI/Flask/Django 接口；支持服务发现与热更新。
CDC 事件驱动	Binlog 监听：支持 `MYSQL_CDC`，实现数据库变更实时触发函数执行，轻量级替代 Canal/Flink 组件。
框架托管	无缝兼容：支持接管 Celery, Dramatiq, RQ, Huey 等框架作为底层驱动，统一上层 API。
异构通信	多协议支持：支持 gRPC 双向通信与 MQTT 物联网协议集成。

⚡ 维度二：并发与吞吐 (Concurrency & Throughput)

混合并发模型：原生支持 Threading、Gevent、Eventlet、Asyncio (原生事件循环)、Single_thread 五种模式。
多进程叠加：支持 mp_consume(n)，在上述并发模式之上叠加 多进程，突破 GIL 限制，充分利用多核 CPU。
微批处理 (Micro-Batch)：提供 MicroBatchConsumerMixin，支持自动缓冲聚合单条消息进行批量处理（如批量 DB 写入），显著提升 I/O 吞吐。
零拷贝模式：内存队列支持 Ultra-Fast 模式，跳过序列化开销，实现进程内微秒级通信。

🛡️ 维度三：可靠性保障 (Reliability)

心跳级 ACK：基于消费者心跳检测的 ACK 机制。可识别进程僵死或崩溃，秒级回收并重发未确认任务，避免长耗时任务被误判。
异常重试：支持指数退避策略，支持针对特定异常类型的重试配置。
死信队列 (DLQ)：重试耗尽或捕获特定异常后，自动将消息移交死信队列，保障现场数据不丢失。
全量持久化：支持将函数入参、执行结果、耗时、异常堆栈自动持久化至 MongoDB/MySQL，实现数据可回溯。
多维监控告警：内置 5 种告警方式（告警 Mixin、熔断器钩子、Prometheus 指标、Mongo 轮询、ELK 日志），支持按连续失败次数或滑动窗口错误率触发告警。
- 告警通道：钉钉、企业微信、飞书、Webhook 等；任务恢复后自动发送恢复通知，形成故障闭环。详见文档 6.30 章节。

🕹️ 维度四：流量治理 (Traffic Governance)

精准控频 (QPS)：原生支持从极低频（0.00001次/秒）到高频（50000次/秒）的 QPS 速率限制，以匀速间隔的方式执行任务。
周期额度 (Quota)：支持在指定周期（如1分钟）内限制任务执行的总次数，任务可随到随执行（非匀速）。例如：设置"每分钟最多执行100次"，100次额度用完后将等待下一周期。此功能用法详见 4b.12 章节。
分布式限流：基于funboost的Redis 心跳信息协调，实现跨服务器、跨容器的 全局流量控制。
分组消费：支持 consume_group，按业务组别启动消费者，实现大单体应用的资源隔离。
手动熔断管理：支持运行时动态下发指令，实时 暂停/恢复 指定队列的消费。
自动熔断管理：使用CircuitBreakerConsumerMixin扩展，支持自动熔断、半开、恢复，支持阻塞模式和降级模式。
批处理流控：提供 wait_for_possible_has_finish_all_tasks，支持脚本级的任务清空等待。

🎼 维度五：调度与编排 (Scheduling & Orchestration)

Workflow 编排：内置声明式编排原语，支持 Chain (串行)、Group (并行)、Chord (回调) 模式。
分布式定时：集成 APScheduler，支持 Crontab/Interval/Date 触发器，利用分布式锁防止多实例重复执行。
延时任务：原生支持 countdown (相对时间) 和 eta (绝对时间) 的延迟调度。
任务去重：基于函数入参指纹进行去重（支持 TTL 有效期），屏蔽 URL 随机参数干扰。

🔭 维度六：可观测性 (Observability)

链路追踪：原生集成 OpenTelemetry，支持接入 Jaeger/SkyWalking，自动注入 Context 实现跨组件全链路追踪。
指标监控：内置 Prometheus Exporter，支持 Pull 和 PushGateway 模式，通过 Grafana 展示实时指标。
Web 控制台：自带可视化管理界面，支持查看积压量、QPS 曲线、消费者元数据
远程运维：支持 RemoteTaskKiller 终止执行中的任务；支持 fabric_deploy 代码热部署；funweb 支持脚本部署、进程监控、日志查看与检索。

🧬 维度七：开发体验 (Developer Experience)

FCT 上下文：提供 from funboost import fct 全局对象，在函数调用链任意位置获取 TaskID、重试次数等元数据。
全语法支持：完整支持 类方法 (classmethod)、实例方法 (instance method)、异步函数 (async def) 作为消费主体。
生命周期 Hook：提供 consumer_override_cls 接口，支持重写消息清洗、结果回调等核心逻辑，兼容 非标准格式消息，支持重写任何任意父类方法。
对象传输：支持 Pickle 序列化选项，允许直接传递自定义 Python 对象作为任务参数。
超级装饰器：即使用户不需要分布式和消息队列，也可以使用 @boost 装饰器配合 MEMORY_QUEUE 模式，一个@boost装饰器就能实现并发控制、QPS 限流、自动重试、任务去重等 10+ 种功能，抵得上 10 个常规装饰器叠加使用。

1.3 🚀 快速上手：你的第一个 Funboost 程序

⚠️ 环境准备 (重要)

在运行代码前，请确保您了解 PYTHONPATH 的概念。 Windows cmd 或 Linux 运行时，建议将 PYTHONPATH 设置为项目根目录，以便框架自动生成或读取配置。 👉 点击学习 PYTHONPATH

1.3.1 ✨ Hello World：最简单的任务调度

这个例子演示了如何将一个普通的求和函数变成分布式任务。

代码逻辑说明：

定义任务：使用 @boost 装饰器，指定队列名 task_queue_name1 和 QPS 5。
发布任务：调用 task_fun.push(x, y) 发送消息。
消费任务：调用 task_fun.consume() 启动后台线程自动处理。

import time
from funboost import boost, BrokerEnum, BoosterParams

# 核心配置：使用本地 SQLite 作为消息队列，QPS 限制为 5
@boost(BoosterParams(
    queue_name="task_queue_name1", 
    qps=5, 
    broker_kind=BrokerEnum.SQLITE_QUEUE
))
def task_fun(x, y):
    print(f'{x} + {y} = {x + y}')
    time.sleep(3)  # 模拟耗时，框架会自动并发绕过阻塞
    return x + y

if __name__ == "__main__":
    # 1. 生产者：发布 100 个任务
    print(task_fun(10,20)) # 即使task_fun加了@boost装饰器，task_fun函数仍能直接本地调用，函数入参不会发到消息队列。这就是双模运行。
    for i in range(100):
        task_fun.push(i, y=i * 2) # 发布消息 {"x":i,"y":i*2} 到消息队列task_queue_name1 中。
    
    # 2. 消费者：启动循环调度
    task_fun.consume()

💡 Tips 如果在 Linux/Mac 上使用 SQLITE_QUEUE 报错 read-only，请在 funboost_config.py 中修改 SQLLITE_QUEUES_PATH 为有权限的目录（详见文档 10.3）。

运行效果截图：

发布任务截图： 发布截图

消费任务截图： 消费截图

1.3.2 ⚡ 异步 (asyncio) 模式

如果你的消费函数是 async def，可以开启 ConcurrentModeEnum.ASYNC 并发模式，配合 aio_push 发布消息。

import asyncio
from funboost import boost, BrokerEnum, BoosterParams, ConcurrentModeEnum,AioAsyncResult

@boost(BoosterParams(
    queue_name='async_demo_queue',
    qps=10,
    concurrent_mode=ConcurrentModeEnum.ASYNC,  # 切换为 asyncio 并发
    broker_kind=BrokerEnum.REDIS_ACK_ABLE,
    is_using_rpc_mode=True
))
async def async_task(x: int, y: int):
    await asyncio.sleep(0.5)  # 模拟异步 IO
    return x + y

async def main():
    # 异步发布，直接返回 AioAsyncResult
    aio_result:AioAsyncResult = await async_task.aio_push(10, 20)
    result = await aio_result.result  # await 获取 RPC 结果
    print(f'异步结果: {result}')

if __name__ == '__main__':
    async_task.consume()  # 非阻塞启动消费
    asyncio.run(main())

💡 要点

消费函数必须为 async def，且设置 concurrent_mode=ConcurrentModeEnum.ASYNC

发布用 await func.aio_push()，获取结果用 await aio_result.result

不需要 RPC 结果时，可去掉 is_using_rpc_mode=True，直接 await func.aio_push() 即可

1.3.3 🔥 进阶实战：RPC、定时任务与丝滑连招

这是一个集大成的例子，展示了 Funboost 的核心能力：

✅ 参数复用：继承 BoosterParams 减少重复代码。
✅ RPC 模式：发布端同步获取消费结果。
✅ 丝滑启动：非阻塞连续启动多个消费者。
✅ 定时任务：基于 APScheduler 的强大定时能力。

import time
from funboost import boost, BrokerEnum, BoosterParams, enable_ctrl_c_quit_on_windows, ConcurrentModeEnum, ApsJobAdder

# 1. 定义公共配置基类，减少重复代码
class MyBoosterParams(BoosterParams):
    broker_kind: str = BrokerEnum.REDIS_ACK_ABLE
    max_retry_times: int = 3
    concurrent_mode: str = ConcurrentModeEnum.THREADING 

# 2. 消费函数 step1：演示 RPC 模式
@boost(MyBoosterParams(
    queue_name='s1_queue', 
    qps=1,   
    is_using_rpc_mode=True  # 开启 RPC，支持获取结果
))
def step1(a: int, b: int):
    print(f'step1: a={a}, b={b}')
    time.sleep(0.7)
    # 函数内部可以继续发布任务给 step2
    for j in range(10):
        step2.push(c=a+b+j, d=a*b+j, e=a-b+j)
    return a + b

# 3. 消费函数 step2：演示参数覆盖
@boost(MyBoosterParams(
    queue_name='s2_queue', 
    qps=3, 
    max_retry_times=5  # 覆盖基类默认值
)) 
def step2(c: int, d: int, e: int=666):
    time.sleep(3)
    print(f'step2: c={c}, d={d}, e={e}')
    return c * d * e

if __name__ == '__main__':
    # --- 启动消费 ---
    step1.consume()  # 非阻塞启动
    step2.consume()
    step2.multi_process_consume(3) # 叠加 3 个进程并发

    # --- RPC 调用演示 ---
    async_result = step1.push(100, b=200)
    print('RPC 结果：', async_result.result)  # 阻塞等待结果

    # --- 批量发布演示 ---
    for i in range(100):
        step1.push(i, i*2)
        # publish 方法支持更多高级参数（如 task_id）
        step1.publish({'a':i, 'b':i*2}, task_id=f'task_{i}')

    # --- 定时任务演示 (APScheduler) ---
    # 方式1：指定日期执行
    ApsJobAdder(step2, job_store_kind='redis', is_auto_start=True).add_push_job(
        trigger='date', run_date='2025-06-30 16:25:40', args=(7, 8, 9), id='job1'
    )
    # 方式2：间隔执行
    ApsJobAdder(step2, job_store_kind='redis').add_push_job(
        trigger='interval', seconds=30, args=(4, 6, 10), id='job2'
    )

    # enable_ctrl_c_quit_on_windows使windows能ctrl+c退出，这是非必须的，不加也可以。
    enable_ctrl_c_quit_on_windows()

🧠 设计哲学 Funboost 提倡 “反框架” 思维：你才是主角，框架只是插件。 task_fun(1, 2) 是直接运行函数，task_fun.push(1, 2) 才是发布到队列。随时可以拿掉 @boost，代码依然是纯粹的 Python 函数。

1.3.4 ✂️ 极简写法：省略 `@boost`

如果你追求极致简洁，也可以直接使用 @BoosterParams 作为装饰器，效果等同于 @boost(BoosterParams(...))。

# 极简写法
@BoosterParams(queue_name="task_queue_simple",qps=5)
def task_fun(a, b):
    return a + b

1.3.5 ❌ 过时写法：直接在 @boost传各种配置入参，不推荐

这种直接在 @boost传参，而不使用 BoosterParams来传各种配置，是过气写法不推荐，因为不能代码补全了。

# ⚠️ 反例：过时写法，不推荐！
@boost(queue_name="task_queue_simple",qps=5)
def task_fun(a, b):
    return a + b

🖥️ funweb (Funboost Web Manager) 界面预览

可视化管理后台提供了强大的监控与运维能力，以下是核心功能截图：

函数消费结果：可查看和搜索函数实时消费状态和结果

队列操作：查看和操作队列，包括清空、暂停消费、恢复消费

队列操作：查看消费曲线图，查看各种消费指标（历史运行次数、失败次数、近10秒完成/失败、平均耗时、剩余消息数量等）

RPC调用：在网页上对30种消息队列发布消息并获取函数执行结果；可根据task_id获取结果

定时任务管理：列表页

1.4 💡 为什么 Python 极其需要分布式函数计算？

Python 受限于 GIL（全局解释器锁），单进程无法利用多核 CPU；加上动态语言的原生性能瓶颈，横向扩展是提升吞吐量的必经之路。Funboost 让这一切变得简单——代码无需任何修改，即可从单机无缝扩展到多进程、Docker 容器或多台物理机。

1.5 🎓 最佳学习路径

以 1.3 章节 的求和代码为蓝本，修改 @boost 中的参数（如 qps、concurrent_num），添加 time.sleep() 模拟耗时，观察控制台输出即可体会分布式、并发和控频的实际效果。

🤖 AI 助教：强烈推荐参考 [文档第 14 章]，利用 AI 大模型快速精通 funboost。

1.6 🥋 funboost 练就吸星大法神功，一招吸走 Celery 毕生内力

Funboost 自身性能与 Celery 相比已有数量级优势（见文档 2.6、2.9）。将 Celery 作为 Broker（BrokerEnum.CELERY），是在保留 Funboost 调度与开发体验的前提下，借 Celery 生态打消部分用户对“调度核心是否够稳”的顾虑——底层仍是 Celery 队列与执行，上层由 Funboost 统一入口与配置。

⚔️ 降维打击：化繁为简的绝世武功

🆚 招式对决	🛑 原生 Celery (旧派宗门的桎梏)	🟢 Funboost 御剑术 (新派宗师的洒脱)
启动法门 (部署)	念诵咒语：需死记硬背 `worker/beat` 等冗长命令行，稍有错漏便走火入魔。	意念合一：代码即启动，无需记忆任何咒语，`python xx.py` 一剑破万法。
门派规矩 (结构)	清规戒律：强行规定目录结构，错置文件即被逐出师门，极其僵化。	无招胜有招：飞花摘叶皆可伤人，任意目录、任意文件皆可为战场，毫无束缚。
心法运转 (门槛)	经脉逆行：需手动修炼 `includes` 和 `task_routes`，极易气血翻涌（配置报错）。	浑然天成：自动打通任督二脉，框架自动发现并注册任务，行云流水。
洞察天地 (体验)	盲人摸象：`@app.task` 入参如雾里看花，IDE 无法感知，极易行差踏错。	天眼通：`BoosterParams` 开启全知视角，代码补全如神助，所见即所得。

📜 藏经阁 (代码示例)：完整示例见 11.1 章节。

查看 funboost 分布式函数调度平台完整教程

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

funboost-54.9.tar.gz (3.6 MB view details)

Uploaded Aug 11, 2026 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

funboost-54.9-py3-none-any.whl (3.8 MB view details)

Uploaded Aug 11, 2026 Python 3

File details

Details for the file funboost-54.9.tar.gz.

File metadata

Download URL: funboost-54.9.tar.gz
Upload date: Aug 11, 2026
Size: 3.6 MB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.9.23

File hashes

Hashes for funboost-54.9.tar.gz
Algorithm	Hash digest
SHA256	`adbdd94266194b437bb30b7dc7e10bf4958d5320a503b3cf66268c31ef1e56d6`
MD5	`d7cf67957396e386d7f655e35e7b9c8a`
BLAKE2b-256	`665b4ac19cdce266b878b31f7d7f5d669273b125152a173e182b15c467f3a11f`

See more details on using hashes here.

File details

Details for the file funboost-54.9-py3-none-any.whl.

File metadata

Download URL: funboost-54.9-py3-none-any.whl
Upload date: Aug 11, 2026
Size: 3.8 MB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.9.23

File hashes

Hashes for funboost-54.9-py3-none-any.whl
Algorithm	Hash digest
SHA256	`eab074d90c06490c51cf680fd351a8d502d0f1045ddde1b17e84408fa45d5155`
MD5	`a11d3a9d5a8a821b64e7ea228c7f5a9d`
BLAKE2b-256	`59de0258c168235e9c3c5ff871029c6153de2efd382227ac8f9a594de7684d77`