2026-05-29 ·
日常编程 ·
243834
根本原因是Windows默认SelectorEventLoop调用受限于512句柄的select()系统调用;应改用支持IOCP的ProactorEventLoop,并同步调优连接池等配套组件。
Windows上asyncio报“too many file descriptors in select()”的根本原因
这不是Python代码写错了,是底层事件循环选错了。默认的 SelectorEventLoop 在 Windows 上直接调用 select() 系统调用,而 Windows 的 select() 实现硬性限制为 512 个文件描述符——包括 socket、临时文件、管道等所有打开的句柄。一旦并发连接(比如 aiohttp 发起的 1000 个请求)触发这个上限,立刻抛出 ValueError: too many file descriptors in select()。
如何强制使用ProactorEventLoop(Windows专属解法)
Windows 有更现代的异步 I/O 机制:IOCP(I/O Completion Port)。ProactorEventLoop 就是专为此设计的,它不依赖 select(),理论上支持数万级并发连接。
最稳妥的方式:在程序入口显式设置策略(推荐放在脚本最开头)
import asyncio
asyncio.set_event_loop_policy(asyncio.WindowsProactorEventLoopPolicy())
如果已创建过 loop(比如某些框架提前初始化),需先关闭再重建:
asyncio.set_event_loop_policy(asyncio.WindowsProactorEventLoopPolicy())
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
命令行临时启用(调试用):python -c "import asyncio; asyncio.set_event_loop_policy(asyncio.WindowsProactorEventLoopPolicy()); print('OK')"
ProactorEventLoop的兼容性注意点
它不是万能银弹,有些旧库或特定操作在 Proactor 下行为不同:
Trae win
Trae Windows 官方版本现已全面支持 Win10 和 Win11 系统(64位)。国内开发者可直接访问 Trae 中文官网(trae.cn 或 trae.com.cn),一键下载官方正版 .exe 安装包,享受国内直连的高速稳定体验。安装过程极其简便,双击即可运行,并支持一键无缝导入 VS Code 或 Cursor 的原有主题、快捷键及插件配置。登录支持手机号、微信或稀土掘金账号。内置免费的豆包与 DeepSeek 等顶级大模型,让你开箱即用,轻松开启高效的 AI 智能编程之旅。
asyncio.subprocess 在 Proactor 下必须用 asyncio.create_subprocess_exec,不能用 loop.run_in_executor 包裹 subprocess.Popen,否则会卡死
部分第三方库(如老版本 uvloop)不支持 Proactor,强行使用会报 RuntimeError: ProactorEventLoop is not supported
如果你用的是 Python ≤ 3.7,ProactorEventLoop 对 SSL/TLS 支持较弱,建议升到 3.8+
它不支持 loop.add_reader/add_writer 这类低层 API,这些是 Selector 特有的
别只换 EventLoop,连接池也要同步调优
换完 ProactorEventLoop 后,如果还卡在几百并发,大概率是上层连接池没跟上。比如 aiohttp.TCPConnector 默认 limit=100,这比 512 还小——它成了新瓶颈。
把 limit 提到 300–500(视目标服务器承受力而定),但别盲目拉满
务必设 limit_per_host=20,防止单域名被限流或封IP
加 enable_cleanup_closed=True,避免异常断连后句柄残留
数据库池(如 asyncpg.create_pool)的 max_size 也要按实际 DB 能力配,不是越大越好
真正卡住你的,往往不是事件循环本身,而是它和连接池、DNS 缓存、TCP Keepalive 这些组件之间的配合细节——这些地方不调,光换 loop 只是把 512 的墙拆了,又撞上另一堵 200 的墙。
Python类中定义的方法默认会自动接收实例对象作为第一个参数,若方法签名未包含self,调用时就会报“多传入1个位置参数”的错误——本质是Python隐式传入了实例,而函数未声明接收。 python类方法定义中必须显式声明`self`参数 在Python中,**所有实例方法(即定义在类内部、用于操作实例数据的方法)都必须将`self`作为第一个形参**。这不是约定俗成,而是语言强制要求:当通过实...
2026-05-29 · 日常编程 · 277263
因为__new__不是原子操作:线程A判断_instance为None后,未执行super().__new__前,线程B也判为None,导致重复创建;GIL不保护跨语句逻辑,需用双重检查锁定(DCL)加threading.Lock确保线程安全。 为什么直接用 __new__ 实现单例在多线程下会失效 因为 __new__ 本身不是原子操作:线程 A 判断 _instance 为 None 后,还没...
2026-05-29 · 日常编程 · 71890
grpcio-reflection 无异步支持因其 servicer 继承同步基类、无 AsyncServicer 实现且依赖同步 I/O;异步调用反射需用 grpc.aio.Channel + stub.ServerReflectionInfo 并 await,自研异步服务端须重写方法并缓存 FileDescriptorSet。 Python 的 grpcio 官方库从 1.39 版本起才正式支...
2026-05-29 · 日常编程 · 225634
JSONDecodeError根本原因是输入文本违反RFC 8259规范,常见触发场景包括BOM头、末尾逗号、单引号、注释、Unicode转义不全、换行符混用;Python json模块无strict=False参数,严格解析不可绕过;推荐方案为预清洗后标准解析,次选ast.literal_eval(限可信Python字面量),或引入json5/demjson3第三方库;try-except需记录...
2026-05-29 · 日常编程 · 166724
asyncio.all_tasks 返回当前事件循环中所有未完成的Task对象集合(set),为空常因未启动事件循环、无活跃循环、任务已完结或跨线程未正确设置循环。 asyncio.all_tasks 返回什么,为什么有时为空 asyncio.all_tasks 返回当前事件循环中所有未完成的 Task 对象集合(set),但它**只作用于当前线程中已运行且未关闭的事件循环**。常见误区是直接调用...
2026-05-29 · 日常编程 · 37125
APScheduler默认不支持毫秒级调度,因其IntervalTrigger最小单位为秒,传入小于1秒的seconds值会报ValueError;底层依赖time.sleep()和系统轮询,受CPython GIL及操作系统调度延迟影响,实际抖动达10–50ms以上。 为什么 APScheduler 默认不支持毫秒级调度 APScheduler 的 IntervalTrigger 最小单位是秒,...
2026-05-29 · 日常编程 · 21285
绝大多数InvalidArgumentError都源于dtype不匹配,应优先检查x.dtype而非仅print(x);修复方法包括tf.cast统一类型、预处理时指定numpy dtype,或根据上下文选择float32/float64。 绝大多数 InvalidArgumentError 都能靠检查 dtype 快速定位,不是“可能”,而是“大概率就是它”。 报错信息里明说 dtype 不匹配...
2026-05-29 · 日常编程 · 31606
ExceptionTable是Python 3.11+字节码中存储异常跳转元数据的只读表,它用静态查找替代了3.10及以前依赖SETUP_FINALLY/POP_BLOCK等指令的动态块栈操作,使无异常时几乎零开销——仅保留极轻量的间接寻址,而不再执行任何异常相关字节码。 Python 3.11 的 try/except 在无异常时确实几乎不耗性能,这不是宣传话术,而是字节码层的结构性改变 —— ...
2026-05-29 · 日常编程 · 174398
RabbitMQ延迟队列需通过TTL+死信交换机(DLX)组合实现,精度秒级、延迟时间publish时固定为字符串毫秒值,且必须完整配置x-dead-letter-exchange与x-dead-letter-routing-key,否则消息丢弃。 延迟队列不是RabbitMQ原生功能,得靠TTL+死信交换机组合实现 rabbitmq本身没有x-delayed-message插件以外的内置延迟队列...
2026-05-29 · 日常编程 · 247444
梯度裁剪不能防止loss变NaN,它只在梯度已计算后限制其范数,而NaN通常在tape.gradient()中已产生;必须在裁剪前检查梯度是否为NaN,并在数据输入、label、loss计算等更早环节堵住log(0)、除零、非法值等源头。 TensorFlow训练中loss变NaN,梯度裁剪真能“拦住”吗 不能。梯度裁剪只在tf.clip_by_global_norm()执行时起作用,而NaN通常...
2026-05-29 · 日常编程 · 222337