上篇文章对python多线程进行了介绍，GIL锁使得python的多线程并不能并发执行，为了提高多核CPU的利用率，可以采取多进程的方式，即为每个任务单独启动一个独立的进程，每个进程的主线程可以在多核CPU中并发执行，进而提高程序的运行速度。在考虑使用多进程之前，也必须了解多进程的缺点：比多线程占用更多的系统资源，切换速度慢，而且各进程之前数据默认不能共享。
python多进程之间数据不能简单共享
进程是系统独立调度核分配系统资源（CPU、内存）的基本单位，进程之间是相互独立的，每启动一个新的进程相当于把数据进行了一次克隆，子进程里的数据修改无法影响到主进程中的数据，不同子进程之间的数据也不能共享，这是多进程在使用中与多线程最明显的区别。通过观察下面两段代码，看看多进程与多线程在数据共享上的区别。
左边的代码采用了多进程，从执行结果可以发现：主进程与子进程中打印出count的值并不相同，也就说明主进程和子进程中的count不是一个变量，因此在主进程中对count的修改没有影响到子进程。同理我们把第5行和第11行的代码进行调换（即在子进程中对count的值进行修改），同样也会发现主进程和子进程中打印出来count的值不相同。不仅如此，不同子进程之间的数据也是不能共享的，读者可以自己编写代码验证。作为对比，右边是多线程的例子，可以发现主线程和子线程是公用一个count的。
python多进程间的通信
python的multiprocessing模块提供了多个组件用于实现多进程间的通信，如Queue、Pipe、Manager、Event，其中Queue是一个先进先出（First In First Out）的队列，主进程中创建一个Queue对象，并作为参数传入子进程，两者之间通过put( )放入数据，通过get( )取出数据，执行了get( )函数之后队列中的数据会被同时删除。
Queue实现了消息的“阅后即焚”，不用担心消息队列的清理，使用起来很方便，但缺点也很明显：如果主进程开启了多个子进程，需要为每个子进程创建一个不同的Queue对象，管理起来会很麻烦，而且会造成很大的系统开销。类似的方法还有Pipe，与Queue最大的不同是：它在不同的进程间建立了两个管道，创建一个Pipe对象会返回两个实例，两个实例都可以分别调用send( )和receive( )实现数据的发送和接收，用法很简单，这里不再赘述。
python使用Manager实现多进程的数据共享
以上提到的Queue和Pipe只能算是实现了两个进程间的通信，如果要实现多个进程之间的数据共享，需要用到Manager。Manager创建的字典或列表能够在不同进程中读取和修改，实现数据的共享。下图是利用Manager的字典实现数据共享的例子，代码很简单，大家自己看吧。唯一需要提醒的是：这个字典是用Manager创建的，跟python原生的字典不是一回事，也就是说只有Manager的字典才能实现不同进程间的数据共享。
最后
我帮朋友写的自动挂机程序要实现高度的自动化，就需要定期检查各子进程（模拟器）的运行状态，因此在主进程里获取所有子进程的PID，通过multiprocessing模块的Manager组件能够完美实现这一功能，上图的代码实际就是干这件事的。最后补充一点非常重要的提醒：如果要在windows下使用multiprocessing，必须在代码入口添加multiprocessing.freeze_support( )，否则用pyinstaller打包成exe，执行中会出现主进程无限循环的问题。
