首页 > 脚本专栏 > python > Python多进程执行同一个函数

Python使用多进程执行同一个函数的多种方法

2026-04-15 09:25:05 作者：独隅

本文介绍了在Python中使用多进程执行相同函数的三种方法：Process类、Pool进程池和apply_async异步执行,比较了各种方法的适用场景、优缺点,并提供了实用技巧和注意事项,推荐使用Pool进程池处理大量任务,它简单易用且自动负载均衡,需要的朋友可以参考下

在 Python 中，使用多进程执行同一个函数有多种方法，主要可以通过 multiprocessing 模块实现。以下是几种常用的方式：

方法一：使用 Process 类创建独立进程

这种方法适合需要精确控制每个进程的场景。

import multiprocessing
import time

def worker(task_name, duration):
    print(f"进程 {task_name} 开始执行，预计耗时 {duration} 秒")
    time.sleep(duration)
    print(f"进程 {task_name} 执行完成")
    return f"{task_name} 处理结果"

if __name__ == "__main__":
    processes = []
    tasks = [("任务A", 2), ("任务B", 3), ("任务C", 1)]
    
    # 创建并启动多个进程
    for name, duration in tasks:
        p = multiprocessing.Process(target=worker, args=(name, duration))
        processes.append(p)
        p.start()
        print(f"已启动进程: {name}")
    
    # 等待所有进程完成
    for p in processes:
        p.join()
    
    print("所有进程执行完毕")

方法二：使用 Pool 进程池（推荐）

进程池更适合处理大量任务，可以自动管理进程的创建和回收。

import multiprocessing
import os

def worker(x):
    print(f"进程 {os.getpid()} 正在处理数据: {x}")
    result = x * x  # 模拟计算任务
    return result

if __name__ == "__main__":
    # 创建进程池，进程数通常设为CPU核心数
    with multiprocessing.Pool(processes=multiprocessing.cpu_count()) as pool:
        data = [1, 2, 3, 4, 5, 6, 7, 8]
        
        # 方法1: map - 阻塞式，按顺序返回结果
        results = pool.map(worker, data)
        print(f"map 结果: {results}")
        
        # 方法2: map_async - 非阻塞式
        async_result = pool.map_async(worker, data)
        results_async = async_result.get()  # 获取结果时会阻塞
        print(f"map_async 结果: {results_async}")

方法三：使用 apply_async 实现异步执行

适合需要更灵活控制任务提交和结果获取的场景。

import multiprocessing
import time
import random

def worker(task_id):
    sleep_time = random.uniform(0.5, 2.0)
    time.sleep(sleep_time)
    return f"任务{task_id} 完成，耗时{sleep_time:.2f}秒"

if __name__ == "__main__":
    with multiprocessing.Pool(4) as pool:
        # 提交多个异步任务
        async_results = []
        for i in range(6):
            result = pool.apply_async(worker, args=(i,))
            async_results.append(result)
        
        print("所有任务已提交，主进程可继续执行其他工作...")
        
        # 按完成顺序获取结果（无序）
        for result in async_results:
            print(result.get())  # 阻塞直到有结果可用

方法对比与选择指南

方法	适用场景	优点	缺点
Process	进程数少，需要精细控制	控制灵活，可设置不同参数	需要手动管理进程生命周期
Pool.map	批量处理相同任务	简单易用，自动负载均衡	必须等待所有任务完成
Pool.apply_async	异步任务处理	非阻塞，效率高	结果获取稍复杂

实用技巧与注意事项

进程间通信：使用 Queue 进行数据传递

def worker(queue):
    data = queue.get()
    processed = f"处理后的: {data}"
    queue.put(processed)

错误处理：使用回调函数处理异常

def error_callback(error):
    print(f"任务执行出错: {error}")

pool.apply_async(worker, args=(data,), error_callback=error_callback)

性能优化：合理设置进程数和 chunksize

# 根据任务类型调整参数
results = pool.map(worker, data, chunksize=len(data)//multiprocessing.cpu_count())

实际应用示例：并行下载任务

import multiprocessing
import requests

def download_url(url):
    try:
        response = requests.get(url, timeout=10)
        return f"{url}: 成功, 大小 {len(response.content)} bytes"
    except Exception as e:
        return f"{url}: 失败, 错误 {str(e)}"

if __name__ == "__main__":
    urls = [
        "https://httpbin.org/delay/1",
        "https://httpbin.org/delay/2", 
        "https://httpbin.org/delay/1"
    ]
    
    with multiprocessing.Pool(3) as pool:
        results = pool.map(download_url, urls)
    
    for result in results:
        print(result)

根据你的具体需求选择合适的方案，Pool 进程池 在大多数情况下都是最实用和高效的选择。

以上就是Python使用多进程执行同一个函数的多种方法的详细内容，更多关于Python多进程执行同一个函数的资料请关注脚本之家其它相关文章！