multiprocessing能实现并行是因为它启动独立进程，每个进程拥有自己的Python解释器和GIL，从而绕过单进程内GIL对多线程CPU并行的限制；适用于CPU密集型任务，需注意IPC开销、主模块保护及启动方法选择。
Python 的 multiprocessing 本身不“绕过”GIL，而是**根本不用 GIL**——它通过启动独立进程（而非线程），让每个进程拥有自己的 Python 解释器和独立的 GIL，从而实现真正的并行计算。
为什么 multiprocessing 能实现并行？
CPython 的 GIL（全局解释器锁）只在单个进程中限制多线程的 CPU 并行执行。multiprocessing 模块通过 fork（Unix/Linux/macOS）或 spawn（Windows，默认）方式创建全新进程，每个子进程：
- 拥有独立的内存空间和 Python 运行时环境
- 各自持有一个专属的 GIL（互不影响）
- 可同时在不同 CPU 核心上执行 CPU 密集型任务
实际使用的关键点
要真正获得并行收益，需注意以下几点：
- 任务类型要匹配：适合 CPU 密集型工作（如数值计算、图像处理、加密）。I/O 密集型任务用 threading 或 asyncio 更合适
-
避免频繁跨进程传递大数据：进程间通信（IPC）有开销，推荐用
Queue、Pipe或共享内存（Value/Array）优化 -
主模块保护：Windows 和部分 spawn 启动方式下，必须将入口代码放在
if __name__ == '__main__':块中，防止子进程递归启动 -
合理选择启动方法：可通过
mp.set_start_method('spawn')或'forkserver'控制进程创建方式，影响性能与兼容性
一个典型例子
计算多个大数的斐波那契值（CPU 密集）：
立即学习“Python免费学习笔记（深入）”；
import multiprocessing as mp
import time
<p>def fib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)</p><p>if <strong>name</strong> == '<strong>main</strong>':
nums = [35, 36, 37, 38]
start = time.time()
with mp.Pool() as pool:
results = pool.map(fib, nums)
print(f"并行耗时: {time.time() - start:.2f}s")
相比单进程串行执行，4 个核心上运行通常能接近 4 倍加速（忽略 IPC 和调度开销）。
它不是万能的
multiprocessing 不能解决所有并发问题：
- 进程创建和销毁开销比线程大
- 无法直接共享对象状态（如类实例、列表引用），需显式同步或序列化
- 调试更复杂，日志和异常传播不如单进程直观
