能显著提升吞吐量5–10倍，但需严格管理生命周期：创建时必须指定create=true和正size，连接时仅传name且create=false；buf无类型信息，推荐用numpy.ndarray配合一致shape/dtype；close()每进程必调，unlink()仅由创建者调一次；无内置同步，须手动加锁。
直接用 multiprocessing.shared_memory 替代 multiprocessing.Queue，能显著减少序列化和内存拷贝，实测吞吐量提升 5–10 倍，但必须手动管理生命周期，否则极易泄漏或崩溃。
SharedMemory 实例创建时必须明确指定 create 和 size
不填 create=True 就默认连接已有块，如果名字不存在会直接报 FileNotFoundError；不填 size 而又设了 create=True 会抛 ValueError: size must be positive。常见错误是只写 SharedMemory(name="mybuf")，结果既没创建也没连上。
- 新建块：必须同时设
create=True和size=xxx，name可为None（系统自动生成唯一名） - 连接已有块：设
create=False（或省略），只传name，size被忽略 - 跨平台注意：Linux 下名称带
/前缀（如/mydata），Windows 不支持该前缀，建议统一用纯字母数字名（如"mydata123"）
用 buf 属性读写前，得先确认数据结构和边界
SharedMemory.buf 是个 memoryview，它本身不带类型或长度信息。直接当字节数组读写容易越界或解析错——比如往 1024 字节块里写一个 int64 数组却按 int32 解，值就全乱了。
- 推荐搭配
numpy.ndarray使用：np.ndarray(shape, dtype, buffer=shm.buf)，shape 和 dtype 必须与写入时严格一致 - 避免直接对
buf做buf[:4] = b'\x01\x00\x00\x00'这类操作，除非你清楚字节序和对齐 - 若需存字符串，先 encode 成 bytes 再写入，且要预留结尾 \0 或记录长度，不能依赖 \0 自动截断
close() 和 unlink() 的调用时机不能颠倒或遗漏
close() 是每个进程退出前必须做的，表示“我不再访问这块内存”；unlink() 是销毁请求，**所有进程里只能由某一个进程调用一次**。调早了（比如创建者一建完立刻 unlink），其他进程再 open 就失败；漏调了，共享内存块会一直留在系统里，ipcs -m（Linux）能看到残留，重启都清不掉。
- 典型流程：子进程
close()→ 主进程等全部子结束 → 主进程调unlink() - 不要在
finally块里无条件unlink()，否则多个进程并发执行会触发FileNotFoundError或静默失败 - 调试时可用
shm.size和shm.name打印确认当前操作对象，避免误关/误删
最易被忽略的是：共享内存本身不提供同步机制。多个进程同时读写同一片 buf 区域，不加锁就会出现脏读、覆盖写、部分更新等竞态问题——这和 Queue 的线程安全完全不同，得自己用 multiprocessing.Semaphore 或 Lock 控制访问。
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！
