子进程可以创建共享内存，但父进程必须等待其就绪后才能安全访问；直接在子进程创建后立即在父进程中尝试连接会导致 filenotfounderror，需通过同步机制（如 event）协调进程间时序。
子进程可以创建共享内存，但父进程必须等待其就绪后才能安全访问；直接在子进程创建后立即在父进程中尝试连接会导致 filenotfounderror，需通过同步机制（如 event）协调进程间时序。
在 Python 的 multiprocessing 模块中，shared_memory.SharedMemory 支持跨进程共享内存，但其生命周期和可见性依赖于操作系统底层的 POSIX 共享内存（Linux/macOS）或等效机制（Windows）。关键限制在于：共享内存对象需在被访问前已由某进程显式创建并完成初始化，且其名称必须全局唯一、可被其他进程发现。
问题中的 Case 3 失败的根本原因并非“子进程不能创建共享内存”，而是典型的竞态条件（race condition）：父进程在子进程尚未完成 SharedMemory(name="test", create=True, ...) 调用前，就执行了 SharedMemory(name="test") —— 此时系统中尚无名为 /test 的共享内存段，因此抛出 FileNotFoundError。
✅ 正确做法是引入进程同步原语，确保父进程严格等待子进程完成创建与初始化。推荐使用 multiprocessing.Event，它轻量、跨平台（兼容 Linux/Windows），且语义清晰：
import multiprocessing as mp
import multiprocessing.shared_memory as sm
import numpy as np
def worker(ready_event, done_event):
# 子进程创建共享内存（注意：size 需匹配实际数据需求）
shm = sm.SharedMemory(name="data_buffer", create=True, size=1024)
# 示例：写入 numpy 数据（需确保 buffer 兼容）
arr = np.ndarray((128,), dtype=np.int64, buffer=shm.buf)
arr[:] = np.arange(128) # 写入数据
ready_event.set() # 通知父进程：共享内存已就绪
done_event.wait() # 等待父进程使用完毕
shm.unlink() # 清理资源
if __name__ == '__main__':
# 创建同步事件
ready = mp.Event()
done = mp.Event()
# 启动子进程（建议设为 daemon=True，避免主进程退出时残留）
proc = mp.Process(target=worker, args=(ready, done), daemon=True)
proc.start()
# 父进程等待子进程就绪
ready.wait() # 阻塞直到子进程调用 ready.set()
# 安全连接已存在的共享内存
shm = sm.SharedMemory(name="data_buffer")
# 读取数据（与子进程一致的 shape/dtype）
arr = np.ndarray((128,), dtype=np.int64, buffer=shm.buf)
print("Parent read:", arr[:5]) # 输出: [0 1 2 3 4]
# 通知子进程可清理资源
done.set()
# （可选）主进程显式关闭共享内存（不 unlink，因子进程负责 unlink）
shm.close()
⚠️ 重要注意事项：
- 命名唯一性：共享内存名称在系统范围内必须唯一（Linux 下实际映射为 /name 文件路径），避免硬编码冲突，生产环境建议结合 uuid.uuid4() 生成随机名。
- 资源管理：unlink() 应由最后一个使用者调用（通常为创建者），否则可能导致其他进程访问失效内存；本例中由子进程负责清理，父进程仅调用 close()。
- 数据一致性：共享内存本身不提供原子性保证，若需多进程并发读写同一区域，必须额外加锁（如 mp.Lock）。
- 平台兼容性：shared_memory 在 Python 3.8+ 可用，Windows 支持有限（部分版本需启用 CreateFileMappingW 权限），建议始终包裹在 if __name__ == '__main__': 中以确保正确启动。
对于您的 HDF5 场景：每个子进程可创建独立命名的共享内存段（如 "hdf_chunk_0", "hdf_chunk_1"），写入 NumPy 数组后通知父进程；父进程按序接收、转换为 HDF5 数据集，彻底规避 Queue 或 Manager 带来的序列化/拷贝开销——这正是共享内存优化的核心价值。
