结合Python代码示例说明multiprocessing模块的使用方法、Linux启动命令、服务部署及真实应用场景：

一、multiprocessing基础用法

Python的multiprocessing模块通过创建子进程实现并行计算，核心步骤如下（引用）：

创建进程对象：

from multiprocessing import Process
def worker(num):print(f"Worker {num} started (PID: {os.getpid()})")
if __name__ == '__main__':p = Process(target=worker, args=(1,))  # 目标函数及参数

启动与等待：

p.start()  # 启动子进程 [[1,2,4]]
p.join()   # 阻塞主进程直至子进程结束 [[4,6]]

关键方法：
- p.pid：获取进程ID
- p.terminate()：强制终止进程（需谨慎使用）
- p.is_alive()：检查进程是否存活

二、Linux系统中的启动命令

在Linux下运行Python多进程脚本：

python demo.py &  # 后台运行 [[11,14]]

或通过nohup持久化：

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

三、完整Demo：多进程部署FastAPI服务

以下示例同时启动FastAPI服务和计算任务：

import multiprocessing
import os
from fastapi import FastAPI
import uvicorn# FastAPI服务进程
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)# 计算任务进程
def heavy_task():result = sum(i*i for i in range(10**7))print(f"Task result: {result} (PID: {os.getpid()})")if __name__ == '__main__':# 创建进程api_proc = multiprocessing.Process(target=run_api)task_proc = multiprocessing.Process(target=heavy_task)# 启动进程api_proc.start()  # 启动API服务 [[3,9]]task_proc.start() # 启动计算任务 [[6,8]]# 等待结束（可选）task_proc.join()  # 主进程等待计算任务完成 print("Main process exits.")

服务部署说明：

进程隔离：
- API服务（run_api）与计算任务（heavy_task）运行在独立进程，避免阻塞I/O 。
访问服务：
- 启动后通过[http://localhost:8000 ](http://localhost:8000 )访问FastAPI接口。
进程资源：
- 每个进程有独立内存空间，需通过Queue或Pipe跨进程通信（未展示）。

四、真实应用场景

CPU密集型任务：

如科学计算、图像处理，多进程利用多核CPU加速。
示例：并行处理大量数据：

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

微服务架构：
- 同时运行多个服务（如API + 定时任务），避免单点故障。
高并发处理：
- 每个请求分配独立进程，提升Web服务吞吐量（但需注意进程开销）。
爬虫系统：
- 多进程并行抓取不同网站，提高效率。

五、注意事项

跨平台兼容性：
- multiprocessing在Linux/Windows均可用，但Linux基于fork()，Windows基于spawn 。
避免僵尸进程：
- 调用join()或terminate()后需确保资源回收。
进程数限制：
- 进程数不宜超过CPU核心数（multiprocessing.cpu_count()）。