import multiprocessing

def task(num):
    print('Task %d is running.' % num)

if __name__ == '__main__':
    for i in range(5):
        p = multiprocessing.Process(target=task, args=(i,))
        p.start()

上述代碼中，我們定義了一個task函數(shù)，它接受一個參數(shù)num，用于標(biāo)識任務(wù)。在主程序中，我們創(chuàng)建了5個進程，每個進程都執(zhí)行task函數(shù)，并傳入不同的參數(shù)。通過start()方法啟動進程。運行上述代碼，可以看到輸出結(jié)果類似于下面這樣：

Task 0 is running.
Task 1 is running.
Task 2 is running.
Task 3 is running.
Task 4 is running.

由于多進程是并發(fā)執(zhí)行的，因此輸出結(jié)果的順序可能會有所不同。

二、進程池

進程池是一種管理多進程的機制，它可以預(yù)先創(chuàng)建一定數(shù)量的進程，并將任務(wù)分配給這些進程執(zhí)行。Python中的進程池是通過ProcessPoolExecutor類來實現(xiàn)的。下面是一個簡單的進程池示例：

import concurrent.futures

def task(num):
    print('Task %d is running.' % num)

if __name__ == '__main__':
    with concurrent.futures.ProcessPoolExecutor(max_workers=3) as executor:
        for i in range(5):
            executor.submit(task, i)

上述代碼中，我們使用了with語句創(chuàng)建了一個ProcessPoolExecutor對象，其中max_workers參數(shù)指定了進程池中最大的進程數(shù)量。在主程序中，我們創(chuàng)建了5個任務(wù)，每個任務(wù)都通過executor.submit()方法提交給進程池執(zhí)行。運行上述代碼，可以看到輸出結(jié)果類似于下面這樣：

Task 0 is running.
Task 1 is running.
Task 2 is running.
Task 3 is running.
Task 4 is running.

由于進程池中最大的進程數(shù)量為3，因此只有3個任務(wù)可以同時執(zhí)行，其他任務(wù)需要等待進程池中的進程空閑后再執(zhí)行。

三、使用案例

下面是一個實際的案例，展示了如何使用多進程和進程池來加速數(shù)據(jù)處理過程。假設(shè)我們有一個包含1000個元素的列表，需要對每個元素進行某種運算，并將結(jié)果保存到另一個列表中。我們可以使用單進程的方式來實現(xiàn)：

def process(data):
    result = []
    for item in data:
        result.append(item * 2)
    return result

if __name__ == '__main__':
    data = list(range(1000))
    result = process(data)
    print(result)

上述代碼中，我們定義了一個process函數(shù)，它接受一個列表作為參數(shù)，對列表中的每個元素進行運算，并將結(jié)果保存到另一個列表中。在主程序中，我們創(chuàng)建了一個包含1000個元素的列表，并將其傳遞給process函數(shù)。運行上述代碼，可以看到輸出結(jié)果類似于下面這樣：

[0, 2, 4, 6, 8, ..., 1996, 1998]

由于這是單進程的方式，因此處理1000個元素的時間可能會比較長。我們可以通過多進程和進程池來加速這個過程：

import concurrent.futures

def process_chunk(chunk):
    result = []
    for item in chunk:
        result.append(item * 2)
    return result

def process(data):
    result = []
    chunk_size = 100
    chunks = [data[i:i+chunk_size] for i in range(0, len(data), chunk_size)]
    with concurrent.futures.ProcessPoolExecutor(max_workers=4) as executor:
        futures = [executor.submit(process_chunk, chunk) for chunk in chunks]
        for future in concurrent.futures.as_completed(futures):
            result += future.result()
    return result

if __name__ == '__main__':
    data = list(range(1000))
    result = process(data)
    print(result)

上述代碼中，我們首先將原始列表按照一定大小（這里是100）進行分塊，然后將每個塊提交給進程池中的進程執(zhí)行。最后，我們使用concurrent.futures.as_completed()方法等待所有進程執(zhí)行完畢，并將它們的結(jié)果合并到一個列表中。運行上述代碼，可以看到輸出結(jié)果與之前相同，但是處理時間可能會縮短很多。