Python multiprocessing.Pool默认采用预分发策略，任务按chunksize切块分配，非动态负载均衡；建议小任务设chunksize=1，或改用ProcessPoolExecutor逐个提交以提升均衡性。
Python的multiprocessing.Pool默认采用“预分发（pre-distribution）+ 阻塞式取任务”策略，不是动态负载均衡，任务在启动时就大致分配给各工作进程，实际执行节奏受进程间通信和任务耗时影响较大。
默认调度：任务提前切片，非实时负载感知
调用pool.map()或pool.apply_async()批量提交时，Pool会将任务列表按chunksize切分成若干块，每个工作进程领取一块（而非单个任务）。这意味着：
- 若某块中包含一个超长任务，该进程会被长时间占用，其余进程可能已空闲
- 短任务和长任务混杂时，容易出现“木桶效应”，整体完成时间由最慢的一块决定
-
chunksize默认值为len(tasks) // (4 * processes)（向上取整），小任务建议手动设为1，大任务可适当增大以减少IPC开销
手动控制分发节奏：用apply_async + 回调模拟动态派发
若需更均衡的调度（例如任务耗时差异大、或需运行时决策），应避免map，改用循环提交+回调管理：
- 每次只提交1个任务，通过
apply_async(func, args, callback=done_handler)异步发起 - 在
callback中触发下一轮提交，形成“有空即派”的节拍 - 配合
queue.Queue或线程安全计数器，可实现限流、优先级或依赖调度
进阶替代方案：考虑concurrent.futures.ProcessPoolExecutor
标准库中的ProcessPoolExecutor底层仍基于multiprocessing，但API更现代，且对单任务提交更友好：
-
submit()天然支持逐个提交，无chunk概念，调度粒度更细 - 配合
as_completed()可按完成顺序处理结果，便于实现响应式逻辑 - 若需更高灵活性（如进程生命周期管理、自定义队列、失败重试），可结合
asyncio+multiprocessing自行封装调度器
关键提醒：避免常见误用
调度效果受限于实际使用方式：
- 勿在子进程中再创建Pool（会引发fork死锁或资源泄漏）
- 传入Pool的任务函数必须可被pickle序列化，闭包、lambda、类实例方法需额外处理
- 大量小任务配大
chunksize会导致内存占用突增；反之过小则IPC开销占比过高 - Windows平台注意主模块保护（
if __name__ == '__main__':），否则子进程无法正确导入任务函数
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
