python协程:RuntimeError: Event loop is closed解决办法_CodeEggs的博客-程序员秘密

技术标签: python  

一般创建协程过程:

tasks = [
	asyncio.ensure_future( func10 ),
    asyncio.ensure_future( func20)
		]
1oop = asyncio.get_event_loop()
loop.run_unti1_complete(asyncio.wait(tasks))

或者

import asyncio
async def fun():
    pass
result = fun()   #内部代码不被执行  只是返回协程对象
#loop = asyncio.get_event_loop()
#loop.run_until_complete( result )#将内部代码交给事件循环执行
asyncio.run( result )

但是总会时不时的报RuntimeError: Event loop is closed
经过摸索和博客文查看
有效方法是将
asyncio.run( result )

1oop = asyncio.get_event_loop()
loop.run_unti1_complete(asyncio.wait(tasks))

改为:

loop = asyncio.get_event_loop()
loop.run_until_complete(协程主函数名())

如下:
在这里插入图片描述
分割线-------------------------------------------------------------------------------------------------------------

在这里插入图片描述

没有异常报错

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_45787528/article/details/115450809

智能推荐

图像在频域上锐化处理(高通滤波器)_图像在频域的锐化处理_就是噢的博客-程序员秘密

一、 引言从灰度分布的角度看,图像中对象的轮 廓 (边 缘 ) 和线条是图像中灰度的突变部分, 因而包含丰富的空间高频分量。从频谱分析的角度看, 任何一幅图像都是由决定图像反差的低频信号和决定图像细节的高频 信号组成。 但需要考虑到, 数字化图像中高频信号部分总是掺杂有一定程度的噪声。因此, 在频率域中进行图像的锐化处理实质上是加强需要的高频分量,并必须考虑 到要 在锐 化图像的同时抑制噪声。频率域中滤波的数学表达式可写为G(u,v)=H(u,v)⋅F(u,v)G(u,v)=H(u,v)·F(u,

大数据平台docker一键搭建_docker 大数据环境搭建_dounine的博客-程序员秘密

想不想快速拥有大数据环境?如何才能一键安装?傻瓜式引导?这里就有你想要的,我们可以使用hortonworks出品的sandbox-hdp来搭建,它是建立在docker环境之上的集群,很轻易的主可以把环境搭建起来。使用方法这里我会使用HDP的最新版本3.0.1作为演示,包含的组件版本如下组件版本HDFS3.1.1YARN3.1.1MapReduce2...

MTK6795刷机与启动_mtk rpmb_一叶片秋的博客-程序员秘密

一、 eMMC分区介绍 在进行MTK刷机与启动讲解之前,首先介绍一下eMMC的分区,如下图所示:eMMC默认的有以上四个分区,boot1,boot2,RPMB,和Userdata分区,系统启动一般会从boot分区启动,但会视厂家而定,有的会把数据都放在user分区,控制从哪个分区boot的可以通过ext_csd[179]去设定,如下图所示

RGB24 To Yuv420 C语言实现_c 语言里 rgb ()是什么函数_Suspend.的博客-程序员秘密

RGB24 To Yuv420 C语言实现(非SIMD版本)以下代码来自 libyuv#include <stdint.h>//下面三个函数为RGB-->>Yuv420的公式static __inline int RGBToYJ(uint8_t r, uint8_t g, uint8_t b){ return (38 * r + 75 * g + 15 * b + 64) >> 7;}static __inline int RGBToUJ(uint8_t

MEMORY系列之“DDR设计规则”_ddr4布线规则_子曰小玖的博客-程序员秘密

1、SCH设计原则DDR原理图的设计目前比较成熟,由于其信号引脚固定,且有统一的规范(JESD79系列),而且像Micron、Samsung、SK Hynix、Toshiba等厂家都有各自的technical note,因此本文只罗列一些特殊的注意事项。1.1、颗粒容量的可扩展性根据JEDEC标准,不同容量的内存芯片一般引脚兼容,为了实现电路板的可扩展性,可以做如下处理,如128Mb与256Mb的兼容应用。1.2、未用的DQ引脚处理对于x16的DDR器件来说,未用的引脚要..

10个经典的C语言小程序_简单的c语言小程序_醇氧的博客-程序员秘密

1、题目:有1、2、3、4个数字,能组成多少个互不相同且无重复数字的三位数?都是多少?程序分析:可填在百位、十位、个位的数字都是1、2、3、4。组成所有的排列后再去掉不满足条件的排列。程序源代码:main() { int i,j,k; printf("\n"); for(i=1;i<5;i++)    /*以下为三重循环*/  for(j=1;j<5;j++)    for (k=1;k

随便推点

Angular学习笔记(1)_小嬴布菱的博客-程序员秘密

Angularangular是用于构建用户界面的JavaScript框架,主要被用来开发单页面应用程序。下载angular:下载node.js,安装node.js的稳定版本安装cnpm:npm install -g cnpm安装Angular: npm install -g @angular/cli或者cnpm install -g @angular/cli使用ng -v 查看Angular是否安装成功,以及查看Angular版本创建Angular项目:5. 在cmd中找到项目目录6.

egg post请求报错 request entity too large, check bodyParser config_```木头人```的博客-程序员秘密

在config/config.default.js中修改bodyParser config.bodyParser = { formLimit: '30mb', jsonLimit: '30mb', textLimit: '30mb' // 值的大小可以根据自己的需求修改 这里只做演示 }

Linux slab 分配器剖析_echo /proc/slabinfo_BAT-Battle的博客-程序员秘密

良好的操作系统性能部分依赖于操作系统有效管理资源的能力。在过去,堆内存管理器是实际的规范,但是其性能会受到内存碎片和内存回收需求的影响。现在,Linux 内核使用了源自于 Solaris 的一种方法,但是这种方法在嵌入式系统中已经使用了很长时间了,它是将内存作为对象按照大小进行分配。本文将探索 slab 分配器背后所采用的思想,并介绍这种方法提供的接口和用法。动态内存管理

虚拟机安装CentOS系统详细步骤。_centos虚拟机安装教程_m0_59430185的博客-程序员秘密

文章目录引言一、虚拟机安装Linux操作步骤1.点击打开“VMware Workstation Pro”(15.5版本)2.点击“创建新的虚拟机”3、选择“自定义(高级)(C)”,并点击“下一步”。4、在“硬件兼容性(H)中选择:Workststion 15.x”5、选择“稍后安装操作系统(S)。”6、选择“Linux(L),版本(V) CentOS 7 64 位”7、自己命名合适的“虚拟机名称(V): ”以及安装文件的“位置(L): ”8、 根据自身要求选择“处理器数量(P): ”以及“每个处理器的内核数

TongWeb部署应用提交接收的中文显示乱码问题之记录二_tongweb乱码_yeyuningzi的博客-程序员秘密

上一次我记录了一个Tongweb下应用部署之后提交中文显示乱码问题的一种处理思路,今天再记录一个。上次的链接:https://blog.csdn.net/yeyuningzi/article/details/118354628再说一下乱码问题的处理思路与原则:乱码问题,无非涉及编码与解码,要求整个过程(从客户端提交到服务器后台接收的整个过程)编码与解码使用的应该都是同样的字符集,并且是合适的字符集才行,比如说要支持中文,那么就不能适应只支持英文的字符集编码。一般考虑的几个方面:1、服务器操作系统

基于Python实现的神经网络的手写数字识别_python神经网络手写数字识别_biyezuopinvip的博客-程序员秘密

Ex2将网络结构改为:输入层 - 隐含层 - 输出层 (784 - 64 - 32 - 10)迭代 20 次,学习率为 0.03,批梯度下降的 batch size 为 100.手写数字识别这里我将自己手写的一串数字作为检测目标,进行分析、识别。基本流程:图像预处理,如:转换为灰度图像、二值化、形态学操作。连通域分析,分割出数字部分。将每个数字图像部分送入上面得到的神经网络模型,得到预测结果。在神经网络训练部分,超参数的选择对于模型有着

推荐文章

热门文章

相关标签