multiprocessing模块通过独立进程绕过GIL实现多核并发，关键在于稳定可控：跨平台应显式设start_method为'spawn'；避免在if name == '__main__':外创建进程；大对象勿直传Queue/Pipe以防序列化失败。
Python的multiprocessing模块是解决CPU密集型任务并行化的标准方案，它通过创建独立进程绕过GIL限制，真正实现多核并发。实际使用中，关键不在“能不能跑”，而在“怎么跑得稳、跑得清、跑得可控”。
进程启动方式：spawn、fork还是forkserver？
不同平台默认行为不同，尤其在Windows和macOS上容易出错。Linux默认用fork（快但有状态残留风险），Windows只能用spawn（安全但启动慢）。建议显式指定：
- 跨平台项目统一设为
mp.set_start_method('spawn')，避免子进程意外继承父进程资源（如数据库连接、日志句柄） - 若需共享大量只读数据（如大模型权重），可考虑
forkserver，它预启一个干净进程池，兼顾安全与效率 - 切勿在
if __name__ == '__main__':外直接调用Process()或Pool()，否则Windows/macOS会反复递归启动新进程
数据传递：别把大对象塞进Queue或Pipe
进程间通信（IPC）底层依赖序列化（pickle），大对象传输不仅慢，还可能因超限失败。常见误区是把整个DataFrame、numpy数组甚至类实例直接put()进Queue。
- 小数据（Queue或
Pipe足够，注意Queue有默认缓冲区上限，满时put()会阻塞 - 大数据优先走共享内存：
mp.Array/mp.Value适合简单类型；mp.shared_memory（Python 3.8+）支持任意numpy数组零拷贝共享 - 文件路径比内容更适合作为IPC消息——让子进程自己读取，而非父进程读完再传
资源清理：进程退出不等于资源释放
子进程崩溃、terminate()强制结束、或未显式join()，都可能导致句柄泄漏、临时文件堆积、甚至僵尸进程。
立即学习“Python免费学习笔记（深入）”；
- 所有
Process对象必须配对调用start()和join()，哪怕只是p.join(timeout=5)加超时保护 - 用
with mp.Pool() as pool:代替手动创建Pool，确保__exit__自动调用close()+join() - 子进程中打开的文件、网络连接、数据库游标，务必用
try/finally或上下文管理器保证关闭，不要依赖进程退出自动回收
调试与监控：别只看print
多进程下print输出乱序、丢失，异常堆栈也不显示在主进程。真实问题常卡在死锁、队列满、共享内存竞争。
- 用
logging替代print，配置QueueHandler+QueueListener把子进程日志汇总到主线程输出 - 对关键IPC操作加超时：
queue.get(timeout=10)、pipe.recv(timeout=5)，避免无限等待 - 用
psutil.Process().children()检查子进程存活状态，配合is_alive()做健康巡检
多进程不是万能加速器，写错反而比单进程更慢、更难排查。核心是明确划分计算边界、谨慎共享状态、主动管理生命周期。写完先跑小数据流，再压测，最后加监控——这三步走稳了，就不太会掉坑里。
