Python多进程可绕过GIL实现CPU密集型任务的真正并行，需用multiprocessing模块、合理设置进程数、注意跨平台spawn机制及进程间通信方式。

Python 的 GIL（全局解释器锁）会限制多线程在 CPU 密集型任务中的并行执行，但多进程可以真正利用多核 CPU，绕过 GIL 的限制。核心思路是：用多个独立的 Python 进程代替线程，每个进程拥有自己的解释器和内存空间，互不干扰。

使用 multiprocessing 模块启动独立进程

这是最直接、最常用的方案。multiprocessing 提供了与 threading 高度兼容的接口，但底层启动的是子进程而非线程。

• 用 Process 类创建并启动新进程，目标函数在新进程中运行，不受 GIL 影响
• 用 Pool 管理进程池，适合批量处理同构任务（如对大量数据做相同计算）
• 注意：进程间不共享内存，传参需序列化（支持 pickle 的对象），返回值也需反序列化

合理选择进程数量

不是越多越好。过多进程会带来调度开销和内存占用，通常建议设为 os.cpu_count() 或略高（如 +1～2），尤其在 I/O 和 CPU 混合任务中可适度超量。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• CPU 密集型任务：进程数 ≈ 物理核心数（避免频繁上下文切换）
• 含较多 I/O 的任务：可略多于核心数（I/O 等待时其他进程可继续执行）
• 可通过 multiprocessing.cpu_count() 获取系统核心数

进程间通信与数据共享

多进程天然隔离，如需协作，需显式通信。常用方式有：

立即学习“Python免费学习笔记（深入）”；

• Queue / Pipe：安全传递数据，适合生产者-消费者模型（Queue 是线程/进程安全的）
• Value / Array：共享简单的 ctypes 类型变量或数组（需加锁保护写操作）
• Manager：提供更高级的共享对象（如 dict、list），但性能较低，适合小量控制信息同步

注意 Windows 下的 spawn 启动方式

Windows 默认使用 spawn 方式启动子进程（macOS/Linux 默认 fork），这意味着子进程会重新导入主模块。若主模块顶层有可执行代码，可能意外重复运行。

• 务必把进程创建逻辑放在 if __name__ == '__main__': 保护块内
• 避免在模块顶层调用 Process().start() 或 Pool()
• spawn 更安全但启动稍慢；Linux/macOS 可用 fork，更快但有潜在状态继承问题