多进程程序中，主进程定义的全局变量在子进程中修改后，主进程无法看到变化，这是因为每个进程拥有独立内存空间，全局变量被复制而非共享。
多进程程序中，主进程定义的全局变量在子进程中修改后，主进程无法看到变化，这是因为每个进程拥有独立内存空间，全局变量被复制而非共享。
在 Python 的 multiprocessing 模块中，Pool 创建的是真正意义上的独立进程（而非线程），每个子进程启动时会通过 fork（Unix/Linux/macOS）或 spawn（Windows）方式获得主进程内存的完整副本。这意味着：foo = [] 在主进程中定义后，每个子进程都拥有一份独立的、地址不同（id(foo) 各不相同）、内容初始一致的 foo 列表。你在装饰器 wrapper 中对 foo.append(1) 的操作，仅作用于当前子进程的本地副本；当子进程退出时，该副本即被销毁，主进程中的原始 foo 始终未被触碰——因此最终打印为空列表。
以下代码清晰展示了这一现象：
import multiprocessing as mp
import functools
foo = []
def decorator(f):
@functools.wraps(f)
def wrapper(*args, **kwargs):
print(f"[子进程] id(foo) = {id(foo)}, 当前 foo = {foo}")
foo.append(1)
print(f"[子进程] append 后: id(foo) = {id(foo)}, foo = {foo}")
return f(*args, **kwargs)
return wrapper
@decorator
def square(n):
return n * n
if __name__ == '__main__':
pool = mp.Pool()
results = pool.map(square, range(1, 5))
pool.close()
pool.join()
print(f"[主进程] id(foo) = {id(foo)}, 最终 foo = {foo}") # 输出: [], 且 id 与子进程中完全不同
⚠️ 注意事项：
- 不要依赖全局变量进行跨进程数据收集：这是常见误区，本质违反进程隔离原则；
- fork vs spawn 行为一致：无论平台如何启动子进程，内存均不共享（spawn 更彻底地重新导入模块）；
- 线程（threading）与此不同：线程共享内存，全局变量修改可被所有线程看到——但需注意 GIL 和线程安全；
- multiprocessing.Manager() 是安全桥梁：如需跨进程共享可变对象，应使用 Manager.list() 等代理对象。
✅ 正确做法示例（使用 Manager.list）：
import multiprocessing as mp
def worker(n, shared_list):
shared_list.append(n * n) # 安全写入共享列表
if __name__ == '__main__':
with mp.Manager() as manager:
shared_foo = manager.list() # 创建可跨进程共享的列表代理
with mp.Pool() as pool:
# 通过参数传递共享对象（不可直接用全局变量）
pool.starmap(worker, [(i, shared_foo) for i in range(1, 5)])
print("共享结果:", list(shared_foo)) # 输出: [1, 4, 9, 16]
总结：多进程的“并行性”以内存隔离为前提，这是安全与稳定的基础，而非缺陷。理解并尊重这一设计，转而采用 Manager、Queue、Pipe 或共享内存（Value/Array）等显式 IPC 机制，才是构建可靠并发程序的关键。
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！
