結合Python代碼示例說明multiprocessing模塊的使用方法、Linux啟動命令、服務部署及真實應用場景：

---

一、multiprocessing基礎用法

Python的multiprocessing模塊通過創建子進程實現并行計算，核心步驟如下（引用）：

1. 創建進程對象：

   from multiprocessing import Process
   def worker(num):print(f"Worker {num} started (PID: {os.getpid()})")
   if __name__ == '__main__':p = Process(target=worker, args=(1,))  # 目標函數及參數
   

2. 啟動與等待：

   p.start()  # 啟動子進程 [[1,2,4]]
   p.join()   # 阻塞主進程直至子進程結束 [[4,6]]
   

3. 關鍵方法：

   • p.pid：獲取進程ID
   • p.terminate()：強制終止進程（需謹慎使用）
   • p.is_alive()：檢查進程是否存活

---

二、Linux系統中的啟動命令

在Linux下運行Python多進程腳本：

python demo.py &  # 后臺運行 [[11,14]]

或通過nohup持久化：

nohup python demo.py > log.txt 2>&1 &  

---

三、完整Demo：多進程部署FastAPI服務

以下示例同時啟動FastAPI服務和計算任務：

import multiprocessing
import os
from fastapi import FastAPI
import uvicorn# FastAPI服務進程
def run_api():app = FastAPI()@app.get("/")def home():return {"message": "API running", "pid": os.getpid()}uvicorn.run(app, host="0.0.0.0", port=8000)# 計算任務進程
def heavy_task():result = sum(i*i for i in range(10**7))print(f"Task result: {result} (PID: {os.getpid()})")if __name__ == '__main__':# 創建進程api_proc = multiprocessing.Process(target=run_api)task_proc = multiprocessing.Process(target=heavy_task)# 啟動進程api_proc.start()  # 啟動API服務 [[3,9]]task_proc.start() # 啟動計算任務 [[6,8]]# 等待結束（可選）task_proc.join()  # 主進程等待計算任務完成 print("Main process exits.")

服務部署說明：

1. 進程隔離：
   • API服務（run_api）與計算任務（heavy_task）運行在獨立進程，避免阻塞I/O 。
2. 訪問服務：
   • 啟動后通過[http://localhost:8000 ](http://localhost:8000 )訪問FastAPI接口 。
3. 進程資源：
   • 每個進程有獨立內存空間，需通過Queue或Pipe跨進程通信（未展示）。

---

四、真實應用場景

1. CPU密集型任務：

   • 如科學計算、圖像處理，多進程利用多核CPU加速 。
     示例：并行處理大量數據：

   with multiprocessing.Pool(4) as pool:  # 創建4進程池results = pool.map(process_data, large_dataset)  # 并行映射 [[15,17]]
   

2. 微服務架構：

   • 同時運行多個服務（如API + 定時任務），避免單點故障 。

3. 高并發處理：

   • 每個請求分配獨立進程，提升Web服務吞吐量（但需注意進程開銷）。

4. 爬蟲系統：

   • 多進程并行抓取不同網站，提高效率 。

---

五、注意事項

1. 跨平臺兼容性：
   • multiprocessing在Linux/Windows均可用，但Linux基于fork()，Windows基于spawn 。
2. 避免僵尸進程：
   • 調用join()或terminate()后需確保資源回收 。
3. 進程數限制：
   • 進程數不宜超過CPU核心數（multiprocessing.cpu_count()）。

通過多進程部署服務，可顯著提升系統性能和可靠性，尤其適合計算密集型和多服務協同場景。但需權衡進程創建開銷與收益 。