Python multiprocessing多进程并行时如何正确聚合访问子进程返回结果

multiprocessing.Manager生成的Namespace属于进程间代理对象，这类代理只识别自身顶层属性的替换操作，不会追踪嵌套可变对象的内部修改。
原代码给ns.results赋值的是主进程本地的原生Python列表，后续对这个列表执行的append操作，只修改了本地临时对象的内存，完全没有触发Manager层的跨进程同步，最终从共享命名空间读取ns.results时，自然只能拿到空值。

注意：Pool.map的返回值本身就是所有子进程结果的主进程侧副本，绝大多数只需要主进程汇总结果的场景，完全不需要引入Manager共享存储，过度使用共享对象反而会引入不必要的报错和性能损耗。

方案1：优先使用主进程本地列表聚合结果 #

这种方式无额外跨进程开销，也不存在共享对象同步误差，是日常并发聚合的首选实现。
直接在主进程定义普通列表，承接每个Pool执行完成后返回的结果即可：

import multiprocessing as mp
import multi_process_functions as mpf

# 主进程本地定义入参与结果存储列表
names = ['Bob', 'Joe', 'Brian']
aggregated_results = []

if __name__ == '__main__':
    # 执行第一组并发任务
    with mp.Pool() as p:
        res_f2 = p.map(mpf.f2, names)
        aggregated_results.append(res_f2)
        print(res_f2)
    
    # 执行第二组并发任务
    with mp.Pool() as p:
        res_f3 = p.map(mpf.f3, names)
        aggregated_results.append(res_f3)
        print(res_f3)

    # 输出完全符合预期的聚合结果
    print(aggregated_results)

方案2：需要跨进程共享结果时，使用Manager托管的代理容器 #

如果存在子进程需要直接写入结果池的场景，不能在Namespace上绑定本地原生列表/字典，必须替换为Manager生成的带同步能力的代理容器（如manager.list()、manager.dict()），这类对象的所有修改都会被Manager层追踪并跨进程同步。
修正后的共享存储写法：

data_manager = mp.Manager()
ns = data_manager.Namespace()
ns.names = ['Bob', 'Joe', 'Brian']
# 用Manager生成的代理列表替代本地原生列表，保证修改可同步
ns.results = data_manager.list()

if __name__ == '__main__':
    with mp.Pool() as p:
        res = p.map(mpf.f2, ns.names)
        ns.results.append(res)
        print(res)
    with mp.Pool() as x:
        res = x.map(mpf.f3, ns.names)
        ns.results.append(res)
        print(res)
    
    # 读取时可将代理列表转为普通列表展示
    print(list(ns.results))

针对Windows + Jupyter Notebook的运行环境，有两个必须遵守的规则：

• 所有多进程入口、Pool初始化操作必须包裹在if __name__ == '__main__':代码块内，避免Windows无fork机制导致的无限递归生成子进程问题
• 被多进程调用的函数必须放在独立的可导入文件中，不能直接定义在Jupyter Notebook的单元格内，否则会触发子进程导入失败的报错

内容的提问来源于stack exchange，提问作者Branden-Pincince