1、利用multiprocessing可以在主進程中創建子進程，提升效率，下面是multiprocessing創建進程的簡單例子，和多線程的使用非常相似
'''
代碼是由主進程里面的主線程從上到下執行的,
我們在主線程里面又創建了兩個子進程，子進
程里面也是子線程在干活，這個子進程在主進
程里面
'''
import multiprocessing
import time
def f0(a1):
time.sleep(3)
print(a1)
if __name__ == '__main__':#windows下必須加這句
t = multiprocessing.Process(target=f0,args=(12,))
t.daemon=True#將daemon設置為True，則主線程不比等待子進程，主線程結束則所有結束
t.start()
t2 = multiprocessing.Process(target=f0, args=(13,))
t2.daemon = True
t2.start()
print('end')#默認情況下等待所有子進程結束，主進程才結束
這里的結果是直接打印出end就結束了，因為添加了t.daemon=True，join方法在進程里面也可以用，跟線程的用法非常相似
2、進程之間默認是不能共用內存的
li = []
def f1(i):
li.append(i)
print('你好',li)
if __name__ =='__main__':#進程不能共用內存
for i in range(10):
p = Process(target=f1,args=(i,))
p.start()
'''每個進程都創建一個列表，然后添加一個因素進去，
每個進程之間的數據是不能共享的
結果如圖
如果將代碼改成threading，由於線程共用內存，所以結果是不一樣的，線程操作列表li之前，拿到的是前一個線程操作過的li列表，如圖
3、如果要進程之間處理同一個數據，可以運用數組以及進程里面的manager方法，下面代碼介紹的是manager方法
from multiprocessing import Process
from multiprocessing import Manager
def f1(i,dic):
dic[i] = 200+i
print(dic.values())
if __name__ =='__main__':#進程間默認不能共用內存
manager = Manager()
dic = manager.dict()#這是一個特殊的字典
for i in range(10):
p = Process(target=f1,args=(i,dic))
p.start()
p.join()
這里輸出如圖，表示每個進程都是操作這個字典，最后的輸出是有10個元素
如果是普通的字典，輸出如圖
4、multiprocessing模塊里面的進程池Pool的使用
（1）apply模塊的使用，每個任務是排隊執行的
from multiprocessing import Process,Pool
from multiprocessing import Manager
import time
def f1(a):
time.sleep(2)
print(a)
if __name__ =='__main__':
pool =Pool(5)
for i in range(5):#每次使用的時候會去進程池里面申請一個進程
pool.apply(func=f1,args=(i,))
print('你好')#apply里面是每個進程執行完畢了才執行下一個進程
pool.close()#執行完close后不會有新的進程加入到pool,join函數等待所有子進程結束
pool.join()#等待進程運行完畢，先調用close函數，否則會出錯
運行結果如圖
（2）apply_async模塊，會比apply模塊多個回調函數，同時是異步的
from multiprocessing import Process,Pool
from multiprocessing import Manager
import time
def Foo(i):
time.sleep(1)
return i+50
def Bar(arg):
print(arg)
if __name__ =='__main__':
pool = Pool(5)
for i in range(10):
'''apply是去簡單的去執行，而apply_async是執行完畢之后可以執行一
個回調函數，起提示作用'''
pool.apply_async(func=Foo,args=(i,),callback=Bar)#是異步的
print('你好')
pool.close()#不執行close會報錯，因為join的源碼里面有個斷言會檢驗是否執行了該方法
pool.join()#等待所有子進程運行完畢，否則的話由於apply_async里面daemon是設置為True的，主進程不會等子進程，所欲函數可能會來不及執行完畢就結束了
'''apply_async里面，等函數Foo執行完畢，它的返回結果會被當做參數
傳給Bar'''
結果如圖
這兩個方法的主要區別如圖
