MPI4PY快速失败实现问题：进程异常时mpirun未立即终止的问询

我明白你的需求：当任意MPI进程抛出异常时，希望mpirun立刻终止所有进程并返回非零错误码，但目前即便有进程报错，其他进程还会继续执行。结合你使用的mpi4py 3.0.0和OpenMPI 2.1.2，我来给你分析原因并提供解决方案：

为什么默认行为不符合预期？ #

Python的未处理异常只会终止当前进程，MPI本身不会自动触发集体终止——除非主动调用MPI_Abort接口。你添加的-mca orte_abort_on_non_zero_status 1参数，作用是当有进程以非零状态退出时让mpirun终止，但在旧版本OpenMPI（比如2.1.2）中，这个参数可能不会立刻终止仍在运行的其他进程，直到它们自行结束，这就导致了你看到的sleep仍会执行的情况。

最可靠的解决方案：主动捕获异常并调用MPI Abort #

在你的脚本中添加全局异常捕获，一旦捕获到异常就调用MPI.COMM_WORLD.Abort()，这会立刻终止所有MPI进程，完全符合你的需求。

修改后的示例脚本my_script.py：

from mpi4py import MPI
import time

comm = MPI.COMM_WORLD
rank = comm.Get_rank()

try:
    # 模拟异常场景：rank 0抛出错误
    if rank == 0:
        raise RuntimeError("Critical error from rank 0")
    
    # 原本会执行的sleep，现在会被Abort终止
    time.sleep(10)
    print(f"Rank {rank} completed successfully")
except Exception as e:
    print(f"Rank {rank} encountered exception: {str(e)}")
    # 调用Abort，第一个参数是错误码（非零）
    comm.Abort(1)

运行这个修改后的脚本，当rank 0抛出异常时，所有进程会立刻终止，mpirun也会返回非零错误码，完全不会执行后续的sleep。

额外的优化建议 #

• 如果你希望对MPI操作的错误也自动触发终止，可以设置MPI通信子的错误处理器：

  comm.Set_errhandler(MPI.ERRORS_ABORT)
  

  注意：这个设置只对MPI相关的错误生效（比如通信失败），对Python本身的普通异常（如ValueError、RuntimeError）无效，所以还是需要配合全局异常捕获。
• 考虑升级OpenMPI版本到3.x及以上，新版本中orte_abort_on_non_zero_status的行为更符合预期，但主动调用Abort仍然是最可靠的跨版本方案。

内容的提问来源于stack exchange，提问作者Andre