multiprocessing.Pool通过预创建固定数量子进程并复用它们来避免频繁创建开销；正确做法是跨批次复用同一池实例，且Windows下必须加if name == "__main__":保护。
直接用 multiprocessing.Pool 就行，它默认复用子进程——只要你不主动 close() 或 terminate()，池里的进程会一直活着等下一个任务。
为什么 Pool 能避免频繁创建开销？
因为 Pool 在初始化时就 fork（Unix/Linux）或 spawn（Windows）出固定数量的子进程，之后所有任务都分发给这些已存在的进程执行。没有“来一个任务启一个进程”的逻辑，也就没有反复调用 os.fork() 或启动解释器的开销。
常见错误是每次处理一批任务就新建一个池：
for batch in batches:
with multiprocessing.Pool(4) as pool: # ❌ 每次都重建池
pool.map(func, batch)
这等于每批任务都重新 fork 4 个进程，销毁旧的，开销反而比单进程大。
立即学习“Python免费学习笔记（深入）”；
正确复用 Pool 的两种写法
核心原则：池对象要跨批次复用，生命周期覆盖全部任务。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 用
with语句但只包住整个任务流，不是每个批次：with multiprocessing.Pool(4) as pool: for batch in batches: results = pool.map(func, batch) # ✅ 复用同一组子进程 - 手动管理生命周期（适合长期运行服务）：
pool = multiprocessing.Pool(4) try: for batch in batches: results = pool.map(func, batch) finally: pool.close() # 不再接收新任务 pool.join() # 等待子进程自然退出
map / apply_async / starmap 的复用效果一样吗？
一样。只要池没关，无论你调用 map、apply_async 还是 starmap，底层都是把任务塞进同一个任务队列，由空闲子进程取走执行。区别只在接口和返回方式：
-
map：阻塞，等全部完成才返回 list -
apply_async：非阻塞，返回AsyncResult，可调.get()等结果 -
starmap：类似map，但参数是元组解包传入，适合多参数函数
它们都不影响子进程复用——复用与否只取决于池是否存活。
容易被忽略的坑：Windows 下的 spawn + 全局作用域限制
Windows 默认用 spawn 启动子进程，要求主模块必须有 if __name__ == "__main__": 保护，否则子进程重启时会重复执行池创建代码，导致递归创建或 RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase.
所以哪怕你只是想测试复用，也得加这个守卫：
if __name__ == "__main__":
with multiprocessing.Pool(4) as pool:
results = pool.map(my_func, data)
漏掉这行，在 Windows 上跑一次就卡死，根本轮不到“复用”这一步。
