📝 摘要：还在为FastAPI异步任务里管理Redis连接和数据库会话而头疼？本文将从一个真实踩坑案例出发，带你深入浅出地理解如何优雅地在后台任务中操作外部服务。我们会手写一个生产级别的代码组织方案，帮你彻底告别连接泄露和资源耗尽的问题，让你的异步任务跑得又快又稳。

今天咱们聊的这个话题，可以说是每个用FastAPI做生产项目的同学，几乎都会遇到的一道坎——异步任务里怎么安全、高效地调用Redis和数据库？

你可能会问：“这有啥难的？直接丢到 BackgroundTasks 里，然后正常调用不就行了？”哎，如果真这么简单，我这篇文章就不会诞生了。听我给你讲个故事。

🎯 1. 一个让人抓狂的“小问题”

之前有个项目，需要在上传用户头像后，异步生成几种不同尺寸的缩略图，并把处理结果和状态存到MySQL，同时把用户ID和任务ID塞到Redis里做状态追踪。一切看起来都很美好，代码也跑通了。

但上线后，噩梦开始了！应用跑了一两天，就开始随机报错，有的说MySQL连接已关闭，有的说Redis连接数超限。

最离谱的是，有时候任务执行到一半，数据库连接突然断开了，导致部分数据写入失败，状态成了“薛定谔的完成”。

后来debug了好几天，才发现问题的根源：我把数据库和Redis的会话（Session/Connection）直接传递到了异步任务函数里，但生命周期完全错乱了！

🔍 2. 问题到底出在哪？

FastAPI的BackgroundTasks虽然用起来简单，但它本质上是在响应返回之后，在同一个进程中“偷偷”执行的一个函数。

问题是，你在请求生命周期内创建的数据库会话（比如通过依赖项注入的db: Session），在请求结束后，通常会被框架自动关闭。但你的后台任务还在用这个已经被关闭的会话，不出错才怪！

Redis连接也是类似，如果你把连接池里“借”出来的连接直接传进去，一旦主请求结束，连接被归还或关闭，后台任务再用的时候，就会直接GG。

这里我要特别强调一点：千万不要在异步任务里，直接复用请求生命周期内的资源对象！这是新手最容易踩的坑，也是我当初血泪教训的核心。

⚙️ 3. 核心原理：各管各的，生命周期要分离

那正确的姿势是什么呢？核心思想就是“谁用谁创建，用完自己关”。

异步任务函数内部，不应该依赖外部传递进来的“活”连接，而是应该拥有自己独立的资源管理逻辑。

具体来说，我们需要在异步任务函数内部，重新创建所需的资源（比如新的数据库Session，新的Redis连接），并在任务执行完毕后，确保这些资源被正确关闭或归还。

这听起来像是个体力活，但其实我们可以通过一些好的代码组织模式，让它变得优雅且可维护。

🛠️ 4. 实战：生产级别的组织方案

好，理论说完了，咱们直接上代码。

📁 第一步：目录结构

project/
├── app/
│   ├── api/          # 路由层
│   ├── core/         # 核心配置（数据库、Redis等）
│   │   ├── database.py
│   │   └── redis_client.py
│   ├── models/       # 数据库模型
│   ├── schemas/      # Pydantic模型
│   └── tasks/        # 异步任务模块！✨
│       ├── __init__.py
│       ├── user_tasks.py
│       └── worker.py  # 任务入口
└── ...

💾 第二步：核心资源管理（重点！）

在tasks/worker.py里，我们定义一个基类或辅助函数，专门负责在每个任务中，初始化和管理这些资源。

# tasks/worker.py
from sqlalchemy.orm import sessionmaker
from app.core.database import engine
from app.core.redis_client import get_redis_client
from contextlib import contextmanager

# 注意：这里是在模块级别创建SessionLocal，它是一个工厂，不是具体的会话
SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)

@contextmanager
def get_db_session():
    """每个任务自己独立创建一个数据库会话，用完即关"""
    db = SessionLocal()
    try:
        yield db
        db.commit()
    except Exception:
        db.rollback()
        raise
    finally:
        db.close()

@contextmanager
def get_redis_conn():
    """每个任务自己独立创建一个Redis连接，用完即关"""
    # 这里假设你的redis_client是连接池，这个函数返回一个连接实例
    redis_client = get_redis_client()  
    try:
        yield redis_client
    finally:
        # 注意：如果用的是连接池，归还连接的操作通常是在你调close()时内部处理的
        # 这里只是示意，具体看你的Redis库实现
        redis_client.close() 
  

看到没？这里的关键就是 get_db_session 和 get_redis_conn 这两个上下文管理器。它们确保了每一个独立的异步任务，都拥有一个属于自己的、生命周期完整的资源。

🚀 第三步：编写具体的异步任务

现在，我们可以在tasks/user_tasks.py里编写具体的业务逻辑了。

# tasks/user_tasks.py
from celery import Task
from app.tasks.worker import get_db_session, get_redis_conn
from app.models.user import User
import asyncio  # 如果任务里需要异步IO

class ProcessAvatarTask(Task):
    name = "process_avatar"
    
    def run(self, user_id: int, image_path: str):
        # 这里我们自己来创建和管理资源
        with get_db_session() as db:
            user = db.query(User).filter(User.id == user_id).first()
            # 1. 更新数据库状态
            user.avatar_status = "processing"
            db.commit()
        
        # 2. 处理图片（耗时操作，可以是同步的，也可以跑在异步线程池）
        # 这里为了简单，用同步模拟
        # ...
        
        # 3. 再次更新状态，并写入Redis
        with get_redis_conn() as redis:
            redis.set(f"user:{user_id}:avatar:status", "completed")
        
        with get_db_session() as db:
            user.avatar_status = "completed"
            db.commit()
        
        return {"status": "success", "user_id": user_id}
  

📞 第四步：在API路由中调用

# api/user.py
from fastapi import APIRouter, BackgroundTasks
from app.tasks.user_tasks import ProcessAvatarTask

router = APIRouter()

@router.post("/upload_avatar")
async def upload_avatar(user_id: int, background_tasks: BackgroundTasks):
    # 这里不要传数据库session或redis连接进去！
    # 只传必要的业务数据，比如user_id和文件路径
    background_tasks.add_task(ProcessAvatarTask().run, user_id, "/tmp/avatar.jpg")
    return {"msg": "任务已添加"}
  

💡 5. 进阶思考与踩坑预警

- 关于连接池大小：

别以为资源独立了就万事大吉。如果任务并发太高，每个任务都独立创建一个数据库连接，很容易把连接池撑爆。

所以，你的数据库连接池（比如SQLAlchemy的pool_size）要设置得合理一些，比如pool_size=20, max_overflow=10，然后根据你的任务并发量去调整。

- 关于Redis连接池：

上面的get_redis_conn最好是返回一个从连接池中获取的连接，而不是每次都新建一个TCP连接。这点很重要！

- 关于错误重试：

如果你的任务依赖外部服务（比如Redis、数据库），一定要考虑网络抖动带来的暂时性失败。推荐使用Celery的autoretry_for机制，或者自己在任务里写重试逻辑。

好了，今天的内容就到这里。其实异步任务里的资源管理，核心就是一个“职责分离”的原则。API层只负责接收请求，投递任务，绝不越俎代庖去管理任务内部的生命周期。而任务层，则要像一个独立的小程序，自己负责所有资源的生杀大权。

希望这篇掏心窝子的分享，能让你在FastAPI的异步之路上少踩几个坑。如果你也有什么独家秘籍，或者被我文章里的某个点戳中了，欢迎在评论区留言，咱们一起交流，一起进步！

老规矩，觉得有用的话，点赞、关注、转发走一波，让更多小伙伴看到。毕竟，大家好，才是真的好嘛！😉