本文共 5398 字，大约阅读时间需要 17 分钟。
通过列表生成式，我们可以直接创建一个列表。但由于受到内存限制，列表容量肯定是有限的。并且，如果创建一个包含了100万个元素的列表，却仅仅需要访问前面几个元素，那么后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。
在Python中，这种一边循环一边计算的机制，称为生成器（generator）。
创建一个生成器，有多种方法。第一种方法很简单，只要把一个列表生成式的 [ ] 改成 ( ) 。
1 >>> l = [x*2 for x in range(5)]2 >>> l3 [0, 2, 4, 6, 8]4 >>> g = (x*2 for x in range(5))5 >>> g6at 0x0313F6B8>
我们可以直接打印出列表的每一个元素，但我们怎么打印出生成器的每一个元素呢？如果要一个一个打印出来，可以通过 next() 函数获得生成器的下一个返回值：
1 >>> next(g) # 也可以使用 g.__next__() 2 0 3 >>> next(g) 4 2 5 >>> next(g) 6 4 7 >>> next(g) 8 6 9 >>> next(g)10 811 >>> next(g)12 Traceback (most recent call last):13 File "", line 1, in 14 StopIteration
生成器保存的是算法，每次调用 next(G) ，就计算出 G 的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出 StopIteration 的异常。
当然，这种不断调用 next() 实在是太变态了，正确的方法是使用 for 循环，因为生成器也是可迭代对象。
所以，我们创建了一个生成器后，基本上永远不会调用 next() ，而是通过 for 循环来迭代它，并且不需要关心 StopIteration 异常。
1 >>> g = (x*2 for x in range(5))2 >>> for i in g:3 ... print(i)4 ...5 06 27 48 69 8
generator 非常强大。如果推算的算法比较复杂，用类似列表生成式的 for 循环无法实现的时候，还可以用函数来实现。
比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：
1 >>> def fib(times): 2 ... n = 0 3 ... a, b = 0, 1 4 ... while n < times: 5 ... print(b) 6 ... a, b = b, a+b 7 ... n += 1 8 ... return "done" 9 ...10 >>> fib(5)11 112 113 214 315 516 'done'
仔细观察，可以看出，fib() 函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似 generator。
也就是说，上面的函数和 generator 仅一步之遥。要把 fib() 函数变成 generator，只需要把 print(b) 改为 yield b 就可以了：
1 >>> def fib(times): 2 ... n = 0 3 ... a, b = 0, 1 4 ... while n < times: 5 ... yield b 6 ... a, b = b, a+b 7 ... n += 1 8 ... return "done" 9 ...10 >>> f = fib(5)11 >>> next(f)12 113 >>> next(f)14 115 >>> next(f)16 217 >>> next(f)18 319 >>> next(f)20 521 >>> next(f)22 Traceback (most recent call last):23 File "", line 1, in 24 StopIteration: done
在上面 fib 的例子，我们在循环过程中不断调用 yield ，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。
同样的，把函数改成 generator 后，我们基本上从来不会用 next() 来获取下一个返回值，而是直接使用 for 循环来迭代：
1 >>> for i in fib(5):2 ... print(i)3 ...4 15 16 27 38 59 >>>
但是在用 for 循环调用 generator 时，发现拿不到 generator 的 return 语句的返回值。如果想要拿到返回值，必须捕获 StopIteration 错误，返回值包含在 StopIteration 的 value 中：
1 >>> g = fib(5) 2 >>> 3 >>> while True: 4 ... try: 5 ... x = next(g) 6 ... print("value: {}".format(x)) 7 ... except StopIteration as msg: 8 ... print("生成器的返回值为：{}".format(msg.value)) 9 ... break10 ...11 value: 112 value: 113 value: 214 value: 315 value: 516 生成器的返回值为：done send 方法与 next 方法一样可以调用 yield 的结果，并把 send() 中的参数传递作为 yield 整体的返回值。
>>> def test():... i = 0... while i < 5:... temp = yield i... print(temp)... i += 1...>>> t = test()>>> next(t)0>>> next(t)None1>>> next(t)None2>>> t.send("haha") # send与next一样可以调用 yield i 的结果，并把"haha"传递作为 yield i 整体的返回值，即赋值给了temphaha3>>> next(t) # 注意，此时并没有为 yield i 传递返回值，因此temp又为NoneNone4 注意第一次调用就使用 send() 时 ：
1 >>> def test(): 2 ... i = 0 3 ... while i < 5: 4 ... temp = yield i 5 ... print(temp) 6 ... i += 1 7 ... 8 >>> t = test() 9 >>> t.send("haha") # 由于先计算=号右边的表达式，并且调取完结果后会进行停止，无法将"haha"传递赋值给=号左边的temp，因此报错10 Traceback (most recent call last):11 File " ", line 1, in 12 TypeError: can't send non-None value to a just-started generator13 >>> t.send(None) # 若要第一次调用就使用send，那么就传递None。send(None)等价于next()14 0
生成器是这样的一种函数，它记住上一次返回（调用）时所在函数体中的位置，而上次调用时的所有局部变量都保持不变。
生成器不仅记住了它的数据状态，还记住了它在流程控制构造（在命令式编程中，这种构造不只是数据值）中的位置。
生成器的特点：
使用生成器完成多任务（即协程）：
1 def test1(): 2 while 1: 3 print("----1----") 4 yield None 5 6 def test2(): 7 while 1: 8 print("----2----") 9 yield None10 11 t1 = test1()12 t2 = test2()13 14 while 1:15 next(t1)16 next(t2) 执行结果：
----1--------2--------1--------2--------1--------2----……
可以被 next() 函数调用并不断返回下一个值的对象，统称为迭代器（Iterator）。迭代器是一个可以记住遍历的位置的对象。
迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完，迭代器只能往前访问，不能退后访问。
1 >>> from collections import Iterator 2 >>> g = (x for x in range(5)) 3 >>> type(g) 45 >>> isinstance(g, Iterator) # 生成器是迭代器对象 6 True 7 >>> isinstance([], Iterator) 8 False 9 >>> isinstance("abc", Iterator)10 False
可以直接作用于 for 循环的对象统称为可迭代对象（Iterable）。大致有以下两种：
1 >>> from collections import Iterable 2 >>> isinstance([], Iterable) 3 True 4 >>> isinstance({}, Iterable) 5 True 6 >>> isinstance("abc", Iterable) 7 True 8 >>> isinstance((x for x in range(5)), Iterable) 9 True10 >>> isinstance(100, Iterable)11 False 生成器不仅可以作用于 for 循环，还可以被 next() 函数不断调用并返回下一个值，直到最后抛出 StopIteration 错误表示无法继续返回下一个值了。
生成器都是迭代器对象（Iterator），但 list、tuple 等数据类型虽然是可迭代对象（Iterable），但不是 Iterator。
若想将 list、tuple 等可迭代对象变成迭代器对象，可以使用 iter() 函数：
1 >>> isinstance(iter([]), Iterator)2 True3 >>> isinstance(iter({}), Iterator)4 True5 >>> isinstance(iter("abc"), Iterator)6 True
转载地址：http://aubyz.baihongyu.com/