pool适用于cpu密集型任务，可绕过gil；适合输入可分割、无强依赖的独立子任务；不适用于i/o密集型或需频繁通信的场景。
Python 的 Pool 是 multiprocessing 模块中用于简化多进程并发的工具，适合 CPU 密集型任务（如数值计算、图像处理、批量解析等），能有效利用多核 CPU 提升执行效率。
什么时候该用 Pool 而不是 threading 或 asyncio
Pool 适用于：
- CPU 密集型任务（比如大量循环、科学计算、加密解密）——因为多进程可绕过 GIL 限制
- 输入数据量大、可拆分为独立子任务（例如处理 1000 个文件、对 1 万条记录做相同变换）
- 不需要进程间频繁通信或共享状态（Pool 默认是“无状态”的，每个子进程独立运行）
不推荐用 Pool 的场景：
- I/O 密集型为主（如大量 HTTP 请求、数据库读写）——此时
threading或asyncio更轻量、更高效 - 任务之间依赖强、需实时同步或共享大量内存数据
- 单次任务耗时极短（启动进程开销可能反超收益）
基础用法：map、apply、apply_async
Pool 最常用的是 map 方法，它把函数并行应用到一个可迭代对象上，返回结果列表（顺序与输入一致）：
立即学习“Python免费学习笔记（深入）”；
08cms企业建站系统 1.0 正式版
下载
08cms企业建站系统是基于08cmsv3.4核心程序，通过系统架构，模板制作，并根据此系统的功能和操作流程进行了代码优化。由08cms官方团队开发。安装链接：install.php、管理后台链接：admina.php日常管理请不要使用创始人帐号（admin），系统内置有内容管理帐号08cms：密码08cms系统特点：1、系统可自动生成静态页面；2、根据企业系统的特点，基于08cms V3.4核心
from multiprocessing import Pool
def square(x): return x * x
with Pool(4) as p:
result = p.map(square, [1, 2, 3, 4, 5])
print(result) # [1, 4, 9, 16, 25]
其他常用方法：
-
apply(func, args)：同步调用，阻塞直到完成，适合单次任务 -
apply_async(func, args, callback=...)：异步提交，立即返回AsyncResult对象，支持回调函数 -
starmap(func, iterable_of_tuples)：类似map，但自动解包每组参数（如[(1,2), (3,4)] → func(1,2), func(3,4)）
控制并发数与资源管理
Pool(processes=n) 中的 n 表示最大并发进程数，默认为 os.cpu_count()。合理设置能避免过度创建进程拖慢系统：
- 纯 CPU 计算：设为 CPU 核心数（如 4 核就用
Pool(4)） - 混合型任务（含少量 I/O）：可略高于核心数（如
Pool(6)），但不宜翻倍 - 内存受限环境：减少进程数，防止内存爆炸（每个子进程会拷贝父进程内存镜像）
务必使用 with Pool(...) as p: 语法，确保进程池正常关闭；若手动创建，记得调用 p.close() 和 p.join()。
传参与序列化注意事项
子进程无法访问父进程的变量、闭包或未导入模块，所有传入函数和参数必须满足 可被 pickle 序列化：
- ✅ 支持：内置类型（list/dict/int/str）、普通函数（定义在模块顶层）、
functools.partial - ❌ 不支持：lambda 表达式、嵌套函数、类实例方法（除非用
functools.partial绑定）、打开的文件句柄、数据库连接
常见绕过方式：
- 把逻辑封装成顶层函数，通过参数传入所需数据
- 用
initializer和initargs在每个子进程启动时预加载资源（如初始化模型、读取配置） - 对不可序列化的对象（如 NumPy 数组），优先考虑
shared_memory（Python 3.8+）或Manager，但会增加复杂度
