Python多进程编程中全局变量不共享的常见误解
时间：2026-07-08 15:14
在Python多进程编程中，全局变量默认不共享，因为每个进程拥有独立内存空间，子进程所修改的是父进程内存的一份拷贝，而不是原变量。可以通过参数传递、共享内存（例如Value Array）、Manager或Queue等多种方式实现跨进程数据共享。
去年在生产环境中遇到一个棘手的坑：一个Python定时任务需要对大量用户数据进行清洗和转换。面对不小的数据量，我们选择了多进程来加速处理。当时的代码大致如下：
import multiprocessing as mp
# 全局配置，所有子进程共用
config = {"mode": "fast", "retry": 3}
counter = 0
def process_data(data):
global counter
# 根据config处理数据
result = do_something(data, config)
counter += 1 # 统计处理了多少条
return result
if __name__ == "__main__":
with mp.Pool(4) as pool:
results = pool.map(process_data, big_data_list)
print(f"一共处理了{counter}条数据")
任务执行完成后，我们惊讶地发现
counter的输出竟然是0。
盯着屏幕沉思了十分钟——
counter明明定义为全局变量，每个子进程都在对它进行累加操作，为何最终结果是0？更令人费解的是，在子进程内部添加打印语句后发现，每个子进程中的
counter都在正常递增，而主进程的
counter却始终保持不变。全局变量似乎失去了“全局”的特性。
后来才恍然大悟：这个问题并非Python的过错，而是操作系统底层的机制在起作用。每个进程都拥有独立的内存空间，所谓的“全局变量”仅在各自进程内部有效，跨进程根本无法访问。
深入解析：为何多进程不共享全局变量？
首先需要明确一个基本概念：进程是操作系统分配资源的最小单位。当你创建一个子进程时，操作系统会为其分配独立的内存空间，其中包含父进程内存的一份拷贝——注意，是复制品，而非引用。
这好比将一份文件复印了4份，分别交给4个人。每个人都在自己的复印件上涂写标记，但你手里的原件依然纹丝不动。
多线程与多进程的区别在这里一目了然：
- 多线程：多个线程位于同一个进程内，共享同一块内存。修改全局变量后，所有线程都能感知到变化。
- 多进程：每个进程拥有独立的内存空间。子进程修改的是自己那份拷贝，主进程完全不可见。
Python官方文档也明确指出：
global关键字仅控制变量在模块内部的可见性，与跨进程共享毫无关联。
三种典型场景，三种常见陷阱
陷阱1：子进程修改了，主进程却看不见
开头的
counter案例就是典型代表。每个子进程都持有
counter的独立拷贝，各自进行累加操作。当所有子进程运行完毕后，主进程中的
counter依然保持初始值0。
有些开发者可能会想：在子进程里加上
global counter声明就能解决？实际上这行不通。
global只解决同一进程内不同作用域的访问问题，对于跨进程场景完全无效。
陷阱2：Windows环境下更隐蔽——全局变量直接“失踪”
在Linux/macOS系统中，默认使用
fork方式启动子进程，子进程会复制父进程的整个内存空间，因此全局变量仍可被读取。但在Windows下，只能采用
spawn方式——启动一个全新的Python解释器并重新执行所有代码。子进程中的全局变量是重新初始化后的值，父进程后续的任何修改，子进程完全无从知晓。
这导致一个更隐蔽的问题：在Windows下编写的多进程代码，部署到Linux上可能表现出截然不同的行为；反之亦然。
陷阱3：进程池内修改全局变量，改了也等于白改
使用
Pool.map时，每个子进程完成任务后即退出。子进程中对全局变量所做的任何修改，都会随着子进程的终止而烟消云散。
from multiprocessing import Pool
total = 0
def worker(x):
global total
total += x
return x * 2
if __name__ == "__main__":
with Pool(4) as pool:
pool.map(worker, [1,2,3,4])
print(total) # 还是0
每个worker都活在独立的进程里，它修改的
total只是自己那份拷贝，主进程的
total从未改变。
如何让多进程“共享”数据？
Python的
multiprocessing模块提供了几种成熟可靠的解决方案。
方案1：通过参数传递（最简洁，最推荐）
不要依赖全局变量，而是将数据通过参数显式传递。
def process_data(data, config):
# 使用传进来的config，避免全局变量
return do_something(data, config)
if __name__ == "__main__":
CONFIG = {"mode": "fast"}
with mp.Pool(4) as pool:
# 把config作为参数传给每个worker
results = pool.map(lambda x: process_data(x, CONFIG), big_data_list)
这是最干净的方式，没有隐式依赖，也没有跨进程共享的烦恼。
方案2：使用multiprocessing.Value和Array（共享内存）
如果确实需要在多个进程间共享数据，可以使用
Value（单个值）或
Array（数组）。
from multiprocessing import Pool, Value
counter = Value('i', 0) # 'i'表示整数
def worker(x):
with counter.get_lock(): # 加锁防止竞争条件
counter.value += x
if __name__ == "__main__":
with Pool(4) as pool:
pool.map(worker, [1,2,3,4])
print(counter.value) # 10
Value和
Array基于共享内存实现，多个进程可以直接读写同一块内存区域。注意必须加锁，否则多个进程同时修改将导致数据错误。
方案3：使用Manager（共享复杂对象）
当需要共享列表、字典等复杂数据结构时，
Manager是最佳选择。
from multiprocessing import Pool, Manager
def worker(shared_list, x):
shared_list.append(x)
if __name__ == "__main__":
manager = Manager()
shared_list = manager.list()
with Pool(4) as pool:
pool.map(lambda x: worker(shared_list, x), [1,2,3,4])
print(list(shared_list)) # [1,2,3,4]
Manager会启动一个独立的“管理器进程”来协调所有共享数据的访问。优点是支持多种数据类型，缺点是速度比共享内存慢，因为每次读写都需要经过进程间通信。
方案4：使用Queue（任务分发与结果收集）
如果目标只是分发任务并收集结果，
Queue是最合适的工具。
from multiprocessing import Process, Queue
def worker(q):
while True:
item = q.get()
if item is None:
break
# 处理item
q.put(item * 2)
if __name__ == "__main__":
q = Queue()
# 放任务、启动进程、取结果...
一张表快速对照
| 场景 | 推荐方案 | 原理 |
| 子进程只需读取父进程数据 | 参数传递 | 拷贝一份，各用各的 |
| 子进程需要修改共享的简单数据 | Value / Array | 共享内存 |
| 子进程需要修改共享的复杂数据 | Manager | 管理器进程协调 |
| 任务分发 / 结果收集 | Queue | 进程间消息传递 |
","rows":5,"cols":3,"id":"jQcxj"}" />
回到开头的Bug
那个计数器最终如何解决？我们使用了Value：
from multiprocessing import Pool, Value
counter = Value('i', 0)
def process_data(data, config):
global counter
with counter.get_lock():
counter.value += 1
return do_something(data, config)
这次终于能够正确统计处理条数了。请牢记：多进程不共享全局变量，这并非Python的缺陷，而是操作系统的固有设计。想要跨进程共享数据，不要指望global，选对工具才是解决问题的根本之道。
