Python进程池教程_多核并行计算实践_网络技术_宿州市腾雀网络科技有限公司

发布时间 - 2026-01-05 00:00:00 点击率：次

Python进程池是利用多核CPU并行计算最常用方式，基于multiprocessing.Pool自动管理子进程，适合计算密集型任务，可绕过GIL限制，但需注意参数序列化开销及内存不共享特性。

Python进程池是利用多核CPU进行并行计算最常用、最稳妥的方式，核心在于用 multiprocessing.Pool 自动管理子进程，避免手动创建/通信的复杂性。它适合计算密集型任务（如数值运算、图像处理、模型推理），而非I/O密集型（此时更推荐异步或线程池）。

CPython存在全局解释器锁（GIL），导致多线程无法真正并行执行CPU密集型代码。而进程拥有独立内存空间和Python解释器，能绕过GIL，充分发挥多核性能。

注意：进程间不共享内存，传参和返回值会序列化（pickle），因此对象需可被pickle，且大数据传递有开销。

map 最常用，适用于单参数函数批量执行：

立即学习“Python免费学习笔记（深入）”；

示例：

def square(x): return x * x
with multiprocessing.Pool(4) as pool:
result = pool.map(square, [1, 2, 3, 4, 5])
print(result) # [1, 4, 9, 16, 25]

apply 类似同步调用，只运行一次，适合需要立即返回结果的场景；apply_async 是其异步版本，返回 AsyncResult 对象，可用 .get() 获取结果。

starmap 用于多参数函数，参数以元组形式提供：

def add(a, b): return a + b
with Pool() as p:
res = p.starmap(add, [(1,2), (3,4), (5,6)])

初始化 Pool 时可指定 processes（默认为 CPU 核心数），也可设为 None 让系统自动判断。

用 maxtasksperchild 限制每个子进程处理的任务数，防止内存泄漏或状态累积
捕获异常：map 默认传播第一个出错任务的异常；若想收集所有异常，改用 map_async + result.get(timeout=...) 并配合 try/except
关闭池后必须调用 pool.close() 和 pool.join()，或使用 with 语句自动管理

适合场景：单次耗时 > 0.1 秒的纯计算任务；输入数据可分割、无强依赖；函数无全局状态修改。