Python多进程需用if name == '__main__':保护主模块，否则spawn方式下子进程重复导入导致递归或失败；Pool.map适合同构批量阻塞处理，apply_async适用于异步单任务；共享状态须用Value、Array、Manager或Lock等IPC机制，禁用全局变量。
Python 多进程不是“开多个线程就能并行”的简单替换，multiprocessing 模块背后依赖操作系统级的进程创建（fork 或 spawn），数据不共享、通信需显式设计、启动开销大——这些特性直接决定你能不能真正压榨 CPU，而不是写出一堆假并行代码。
为什么 Process 启动后不执行目标函数？
常见于 Windows 或 macOS 上使用 spawn 启动方式时，主模块未加 if __name__ == '__main__': 保护。子进程重新导入模块，导致重复触发 Process(...).start()，形成无限递归或静默失败。
- 必须把进程创建和启动逻辑放在
if __name__ == '__main__':块内 - 在 Linux 上用
fork可能“侥幸”通过，但跨平台代码必须守这条规则 - PyInstaller 打包后也常因缺少该判断报错，错误信息类似：
AttributeError: Can't get attribute 'worker' on <module ...></module>
Pool 的 map 和 apply_async 到底怎么选？
Pool.map 是阻塞式批量分发，适合输入数据同构、处理逻辑一致、且你愿意等全部结果；apply_async 是非阻塞单任务提交，适合任务耗时差异大、需要提前响应、或要动态控制并发数。
-
map内部会自动切分可迭代对象，但整个调用会阻塞直到所有子任务完成 -
apply_async返回AsyncResult对象，需手动调用.get(timeout=...)获取结果，超时抛multiprocessing.TimeoutError - 若传入函数引用了闭包变量或 lambda，
spawn方式下会序列化失败，改用普通函数 + 显式参数传递
如何安全地在多进程间共享状态？
别直接用全局变量，它在每个进程中是独立副本。真要共享，得用 multiprocessing 提供的同步原语：
立即学习“Python免费学习笔记（深入）”；
- 只读数据：用
multiprocessing.Value（标量）或multiprocessing.Array（一维数组），支持ctypes类型，如Value('i', 0) - 复杂结构：用
multiprocessing.Manager()创建代理对象（dict,list,Namespace），但性能较差，因为走进程间通信（IPC） - 计数/开关类状态：优先用
multiprocessing.Semaphore、Lock或Event，避免竞态；Lock必须在子进程中显式 acquire/release，不能依赖 with 语句自动释放（某些 spawn 场景下上下文管理器失效）
from multiprocessing import Process, Value, Lock
<p>def worker(shared<em>counter, lock):
for </em> in range(1000):
with lock: # 安全递增
shared_counter.value += 1</p><p>if <strong>name</strong> == '<strong>main</strong>':
counter = Value('i', 0)
lock = Lock()
processes = [Process(target=worker, args=(counter, lock)) for _ in range(4)]
for p in processes:
p.start()
for p in processes:
p.join()
print(counter.value) # 输出 4000</p>真正难的从来不是启动几个进程，而是判断哪些数据必须隔离、哪些可以共享、共享时要不要加锁、加锁会不会拖慢整体吞吐——这些决策没标准答案，得看你的数据规模、CPU 密集度、IO 占比和错误容忍度。
