multiprocessing.queue 最省心但需主进程创建后传递给子进程；pipe 更快但仅限双端通信；共享内存最快但需手动同步且限基础类型；切勿混用线程与进程同步原语。
用 multiprocessing.Queue 传数据最省心，但别在多进程里反复创建
它底层自动处理序列化和锁，适合传递小到中等体积的对象（比如 dict、list、基本类型）。常见错误是每个子进程都新建一个 Queue 实例——这会导致通信通道完全隔离，根本收不到消息。
- 必须由主进程创建后作为参数传给子进程，或通过继承
multiprocessing.Process的方式共享 - 不支持跨机器、不支持非
multiprocessing启动的进程（比如os.fork()或线程） - 如果频繁塞入大对象（如上 MB 的 numpy 数组），性能会明显下降，因为要 pickle/unpickle
- 示例：主进程
q = multiprocessing.Queue()，子进程中用q.put("done")，主进程用q.get()接收
multiprocessing.Pipe 比 Queue 快，但只支持两个端点双向通信
它绕过序列化层（默认只用字节流），吞吐更高，适合高频、低延迟的小数据交换。但它的设计就是一写一读配对，强行多路复用容易出错。
- 返回一对连接对象：
parent_conn和child_conn，各自只能调用send()/recv() - 不能像
Queue那样被多个进程同时put，也不支持广播 - 如果一端关闭而另一端还在
recv()，会抛EOFError；没及时recv积压太多，可能触发系统缓冲区满导致阻塞 - 注意：
Pipe(duplex=False)变成单向，适合明确生产者 / 消费者角色的场景
共享内存（multiprocessing.Array / multiprocessing.Value）适合高频读写固定结构数据
绕过序列化和内核拷贝，直接操作同一块物理内存，速度最快。但它只支持基础类型（c_int、c_double、c_char 等），也不能自动同步。
-
Value存单个值，Array存同类型数组；二者都需显式指定 ctypes 类型，比如Array('i', [1,2,3])中的'i'是 int - 没有内置锁，多个进程同时写会脏数据；必须配合
multiprocessing.Lock使用 - 不能存 Python 对象（如
str、dict），Array('c', b"hello")是可行的，但Array('c', "hello")会报错 - 适用于计数器、状态标志、预分配缓冲区等场景，不适合动态结构数据
别碰 threading 相关机制来搞进程通信
queue.Queue、threading.Event、threading.Lock 这些只在线程间有效。在多进程里直接用它们，程序不会报错，但行为完全不可预测——比如 Event.wait() 永远不返回，Lock 完全不起作用。
立即学习 “Python 免费学习笔记（深入）”；
- 所有跨进程同步原语都必须来自
multiprocessing模块，哪怕名字一样（如multiprocessing.Lock） - 混淆的典型表现：主进程设了
threading.Event，子进程调wait()却卡死——因为事件状态没被 fork 继承，也没跨进程同步机制 - 如果你在用
concurrent.futures.ProcessPoolExecutor，它内部封装了Queue，此时更不该手动引入线程级同步工具
真正麻烦的是混合使用多种机制时的生命周期管理：比如 Pipe 的连接对象没 close，可能卡住进程退出；Array 分配的内存没被回收，可能残留共享段。这些细节不报错，但会让程序在高负载或长时间运行后突然异常。
