如何直接将Python的multiprocessing.Array转换为ctypes.c_void_p？

当然可以跳过numpy这个中间步骤！其实multiprocessing.Array本身就是基于ctypes实现的，我们可以直接操作它的底层ctypes对象来获取内存地址，进而转换成ctypes.c_void_p，完全不需要借助numpy中转。

原理说明 #

multiprocessing.Array实例有一个_raw属性，它对应的就是底层的ctypes数组对象。我们可以用ctypes.addressof()函数获取这个ctypes数组的内存起始地址，然后把这个地址值直接赋值给ctypes.c_void_p类型的变量即可。

代码示例 #

直接转换的实现 #

import multiprocessing
import ctypes

# 创建一个共享内存数组（比如int类型，长度10）
shared_arr = multiprocessing.Array('i', range(10))

# 直接获取底层ctypes数组的地址，转成c_void_p
void_ptr = ctypes.c_void_p(ctypes.addressof(shared_arr._raw))

# 验证一下：可以把指针转回ctypes数组，看看数据是否一致
recovered_arr = ctypes.cast(void_ptr, ctypes.POINTER(ctypes.c_int * 10)).contents
print(list(recovered_arr))  # 输出: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

对比原来的numpy中转方式 #

原来的方法大概是这样的：

import numpy as np

# 先转numpy数组
np_arr = np.frombuffer(shared_arr.get_obj(), dtype=np.int32)
# 再转c_void_p
old_void_ptr = ctypes.c_void_p(np_arr.ctypes.data)

两种方式最终得到的指针是完全一致的，但直接操作ctypes的方法更高效，也省去了numpy的依赖。

注意事项 #

1. 数据类型匹配：确保你创建multiprocessing.Array时指定的类型（比如'i'对应ctypes.c_int）和后续转换时使用的ctypes类型一致，否则会出现内存访问错误。
2. 跨进程指针有效性：如果要把这个c_void_p传递给其他进程，需要注意：不同进程的虚拟地址空间是独立的，这个指针在其他进程中可能无法直接使用。如果是跨进程共享内存，建议还是直接传递multiprocessing.Array实例本身，或者使用共享内存的名称/句柄来重新获取，而不是传递指针。
3. 内存生命周期：不要在multiprocessing.Array被销毁后再使用对应的c_void_p指针，否则会导致悬空指针问题。

内容的提问来源于stack exchange，提问作者El Marce