多进程可显著提升Python程序在CPU密集型任务中的运行效率，关键在于使用multiprocessing模块。首先通过Process类创建独立进程执行函数，实现并行计算；对于批量任务，使用Pool创建进程池，利用map方法分发任务并获取结果，支持同步或异步操作；当需进程间通信时，可通过Queue、Pipe或共享内存（Value/Array）传递数据；实际应用中应优先用于CPU密集型场景，避免频繁通信，并在Windows下将启动代码置于if name == '__main__':内以防止递归问题。掌握Process、Pool及通信机制即可应对多数并发需求。
想让Python程序跑得更快？多进程是个实用的选择。特别是处理CPU密集型任务时，利用多核优势能显著提升效率。掌握它的关键不在复杂理论，而在会用几个核心模块和方法。
理解 multiprocessing 基础
Python的multiprocessing模块是实现多进程的核心工具。它像threading一样易用，但真正启动独立进程，绕过GIL限制。
最常用的类是 Process，用来创建单独进程执行函数：
- 导入 multiprocessing：import multiprocessing
- 定义一个目标函数，比如 def worker(x): print(x * x)
- 创建进程：p = multiprocessing.Process(target=worker, args=(4,))
- 启动：p.start()
- 等待结束：p.join()
每个进程有独立内存空间，变量不共享，避免数据冲突。
立即学习“Python免费学习笔记（深入）”；
用 Pool 管理批量任务
如果要并发执行大量相似任务（如处理多个文件、计算列表中每个元素），直接创建一堆 Process 不现实。这时用 Pool 更高效。
Pool 自动管理进程池，分配任务并收集结果：
- 创建进程池：with multiprocessing.Pool() as pool:
- 使用 map 分发任务：results = pool.map(worker, [1,2,3,4,5])
- 自动并行运行，返回结果列表 [1,4,9,16,25]
map 是同步方法，会阻塞直到全部完成。需要异步可用 map_async，返回结果对象，之后调用 get() 获取。
进程间通信与共享数据
虽然进程隔离安全，但有时需要传数据。multiprocessing 提供几种方式：
- Queue：线程和进程安全的队列，put 存，get 取
- Pipe：双向管道，适合两个进程快速通信
- Value / Array：共享内存，用于共享简单变量或数组
例如用 Queue 收集多个进程的结果：
def f(q): q.put('hello')q = multiprocessing.Queue() p = multiprocessing.Process(target=f, args=(q,)) p.start() print(q.get()) # 输出 hello p.join()
实际使用建议
多进程不是万能加速器，要注意适用场景：
- CPU密集型任务优先考虑多进程，IO密集型用多线程或异步更合适
- 进程启动开销大，短任务可能反而变慢
- 避免频繁通信，尽量让每个进程独立工作
- Windows 下注意把启动代码放在 if __name__ == '__main__': 内，防止递归创建
基本上就这些。学会 Process 和 Pool，再根据需要选通信方式，就能解决大多数并发需求。不复杂但容易忽略细节。
