cpu密集型任务必须用multiprocessing，i/o密集型优先选threading或asyncio；混合型需拆分处理，进程间通信避免直接共享内存，windows下务必用if name == '__main__':保护。
能。只要任务是 CPU 密集型（比如数值计算、HTML 解析、图像处理），用 multiprocessing 就能真正并行，把 8 核 CPU 跑到 700%+ 利用率；但如果是纯网络请求，多进程反而可能更慢——I/O 密集型任务优先选 threading 或 asyncio。
什么时候该用 multiprocessing 而不是 threading
判断依据不是“想快”，而是任务类型：
- CPU 密集型：正则匹配大文本、
numpy矩阵运算、BeautifulSoup解析 10MB HTML、PDF 文字提取 —— 必须用multiprocessing，否则线程全卡在 GIL 上 - I/O 密集型：发 HTTP 请求、读写文件、数据库查询 ——
threading更轻量，multiprocessing启动开销大，还可能触发连接数限制 - 混合型（比如爬虫：请求 + 解析）：用
multiprocessing处理解析部分，请求部分用threading或asyncio，别全塞进一个进程里
Process 和 Pool 哪个更适合你的场景
Process 是手动控制单个进程，Pool 是自动管理一批同构任务。选错会导致代码冗余或资源浪费：
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 用
Process：需要精细控制生命周期（比如某个进程要常驻、监听信号）、不同进程执行不同逻辑、或需定制启动参数（如start_method='spawn'） - 用
Pool：批量处理相同函数（如对 1000 张图片调用同一resize_image()）、想自动负载均衡、避免自己写join()和错误传播逻辑 - 注意：
Pool默认进程数是os.cpu_count()，但如果你的任务含 I/O 等待，可设为os.cpu_count() + 2；纯 CPU 计算建议严格等于物理核心数，超了反而因上下文切换拖慢整体速度
Windows 下 fork vs spawn 的坑必须绕开
Windows 不支持 fork，默认用 spawn —— 子进程会重新导入主模块，如果顶层有可执行代码（比如没包在 if __name__ == '__main__': 里），就会重复运行甚至死循环：
- 所有
Process()或Pool()创建代码，必须放在if __name__ == '__main__':块内 - 不要在模块顶层写
p = multiprocessing.Process(...); p.start()，否则 Linux/macOS 可能侥幸跑通，Windows 直接报错或静默重复执行 - 如果你依赖全局变量（如配置字典），
spawn下它们不会自动继承，得显式传参；fork虽能继承，但状态可能不一致（比如已打开的文件句柄）
进程间通信别直接共享内存
进程内存隔离是安全前提，强行“共享”反而容易出错：
- 传简单数据（列表、字典、数字）：用
Pool.map()或Process的args参数，底层靠pickle序列化，够用且安全 - 需要实时通信（如生产者-消费者）：用
Queue或Pipe，Queue是线程/进程安全的，Pipe更快但只支持两个端点 - 避免用
Manager().dict()或Manager().list()：性能差（每次访问都跨进程调用），仅适合小量控制信息（如“是否中止”的标志位） - 真要共享大数组（如图像像素矩阵）：用
Array或Value+Lock，但必须手动加锁，否则数据损坏
最常被忽略的一点：不是所有对象都能被 pickle。lambda 函数、嵌套类、带绑定方法的实例，传给 Process 或 Pool 时会直接抛 AttributeError: Can't pickle ... —— 解决办法只有把目标函数定义在模块顶层，别嵌套、别用 lambda。
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！
