Python基础教程（五十二）多进程：Python多进程，核爆级性能提升的终极武器！

📚 正文核心解析

⚙️ 一、为何需要多进程？GIL的致命瓶颈

Python的全局解释器锁（GIL）导致单进程内多线程无法并行执行CPU密集型代码。例如：

# 单线程计算斐波那契  
def fib(n):  
    return n if n < 2 else fib(n-1) + fib(n-2)  
# 多进程并行加速  
from multiprocessing import Pool  
with Pool(4) as p:  
    results = p.map(fib, [35, 35, 35, 35])  # 4核并行计算  

🔧 二、multiprocessing 核心武器库

组件	作用	典型场景
Process	创建独立子进程	单个任务独立执行
Pool.map()	进程池批量任务分发	并行处理列表数据
Queue	进程安全队列（生产者-消费者模型）	跨进程数据传递
Pipe	双向通信管道	两个进程间高频交互
Manager	托管共享状态（字典、列表等）	复杂数据结构跨进程同步

💥 三、性能陷阱与避坑策略

• 通信成本：进程间数据传递需序列化，避免频繁传递大对象（用共享内存Value/Array替代）；
• 僵尸进程：子进程结束需调用join()或设置daemon=True；
• 资源爆炸：进程池Pool限制并发数，优于手动创建大量Process；
• Windows兼容：使用if __name__ == '__main__':避免无限递归创建进程。

🚀 四、实战：进程池加速图像处理

from multiprocessing import Pool  
import cv2  

def process_image(path):  
    img = cv2.imread(path)  
    return cv2.resize(img, (256, 256))  

if __name__ == '__main__':  
    image_paths = ["img1.jpg", "img2.jpg", ...]  # 1000张图片  
    with Pool(processes=8) as pool:  # 8进程并行  
        resized_images = pool.map(process_image, image_paths)  

---

💎 结语：多进程的适用边界

场景	推荐方案	原因
CPU密集型计算	多进程	绕过GIL，真并行
I/O密集型任务	多线程/异步	切换成本低，资源占用少
混合型任务	进程+线程池	平衡计算与I/O等待

关键洞见：多进程是Python突破性能天花板的终极手段，但**“进程隔离”是把双刃剑**——在享受并行红利时，务必警惕通信开销与资源管理复杂度！