想要系统掌握 Python 多进程模块multiprocessing.Pool中apply_async、map_async、imap这三个核心方法的使用语法、核心差异、适用场景和实战示例，从而根据实际需求选择合适的多进程并发方式，提升程序执行效率。
前置基础
在讲解这三个方法前，先明确核心前提：
multiprocessing.Pool（进程池）用于管理一组子进程，避免频繁创建 / 销毁进程的开销；- 「同步」方法（如
apply、map）会阻塞主进程，直到子进程执行完成；「异步」方法（如apply_async、map_async）不会阻塞，可继续执行主进程代码； - Windows 系统中，多进程代码必须放在
if __name__ == "__main__":块中（避免递归创建子进程），Linux/macOS 无强制要求，但建议统一写法； - 进程间数据隔离：子进程无法修改主进程的变量，结果需通过返回值获取。
一、apply_async：异步执行单个任务
1. 核心作用
异步提交单个任务到进程池，主进程不阻塞，可继续执行其他逻辑；支持传参、回调函数（任务完成后自动调用）。
2. 语法
python
pool.apply_async(func, args=(), kwds={}, callback=None, error_callback=None)| 参数 | 说明 |
|---|---|
func | 子进程要执行的函数 |
args | 传给func的位置参数（元组） |
kwds | 传给func的关键字参数（字典） |
callback | 可选，任务成功执行后调用的回调函数（参数为func的返回值） |
error_callback | 可选，任务执行出错时调用的回调函数（参数为异常对象） |
3. 实战示例
python
import multiprocessing import time # 子进程执行的函数 def task(num): time.sleep(1) # 模拟耗时操作 return f"任务{num}完成，进程ID：{multiprocessing.current_process().pid}" # 回调函数（任务成功后执行） def success_callback(result): print(f"回调函数：{result}") # 错误回调函数 def error_callback(e): print(f"任务出错：{str(e)}") if __name__ == "__main__": # 创建进程池（指定4个工作进程） pool = multiprocessing.Pool(processes=4) # 异步提交单个任务 result_obj1 = pool.apply_async(task, args=(1,), callback=success_callback) result_obj2 = pool.apply_async(task, args=(2,), callback=success_callback) # 提交一个会出错的任务（测试错误回调） result_obj3 = pool.apply_async(task, args=("错误参数",), error_callback=error_callback) # 主进程继续执行（不阻塞） print("主进程：所有任务已提交，等待子进程执行...") # 必须关闭进程池 + 等待所有子进程完成（否则主进程退出，子进程会被强制终止） pool.close() pool.join() # 也可通过result_obj.get()获取单个任务的返回值（会阻塞直到任务完成） # print(result_obj1.get())输出（顺序可能因进程调度略有不同）
plaintext
主进程：所有任务已提交，等待子进程执行... 回调函数：任务1完成，进程ID：12345 回调函数：任务2完成，进程ID：12346 任务出错：invalid literal for int() with base 10: '错误参数'4. 适用场景
- 需要逐个提交任务，且每个任务参数 / 逻辑可能不同；
- 需为单个任务设置成功 / 失败回调；
- 任务数量少，或任务提交时机不固定（如动态生成任务）。
二、map_async：异步批量执行可迭代任务
1. 核心作用
异步提交一组可迭代任务（如列表、元组）到进程池，功能等价于map()的异步版本；所有任务的参数来自可迭代对象，结果按输入顺序返回，支持回调函数。
2. 语法
python
pool.map_async(func, iterable, chunksize=None, callback=None, error_callback=None)| 参数 | 说明 |
|---|---|
func | 子进程要执行的函数（仅接收单个参数，由iterable的元素传入） |
iterable | 可迭代对象（如列表），每个元素作为func的参数 |
chunksize | 可选，分块大小（大数据集时设置可提升效率，默认自动分块） |
3. 实战示例
python
import multiprocessing import time def task(num): time.sleep(1) return f"任务{num}完成，进程ID：{multiprocessing.current_process().pid}" def batch_callback(results): # 回调函数的参数是所有任务的结果列表（按输入顺序） print("批量回调：所有任务完成，结果如下：") for res in results: print(res) if __name__ == "__main__": pool = multiprocessing.Pool(processes=4) # 异步批量提交任务（iterable为列表[1,2,3,4]） result_obj = pool.map_async(task, [1,2,3,4], callback=batch_callback) print("主进程：批量任务已提交，等待执行...") pool.close() pool.join() # 也可通过result_obj.get()获取结果列表（按输入顺序） # print(result_obj.get())输出
plaintext
主进程：批量任务已提交，等待执行... 批量回调：所有任务完成，结果如下： 任务1完成，进程ID：12345 任务2完成，进程ID：12346 任务3完成，进程ID：12347 任务4完成，进程ID：123484. 适用场景
- 批量执行相同逻辑的任务，参数来自可迭代对象；
- 需异步执行且关注结果顺序；
- 任务数量适中，可一次性加载到内存。
