python生成器

一、生成器的核心概念

1. 定义
   • 生成器是一种特殊的迭代器，通过yield关键字逐步生成值，而非一次性计算所有结果。
   • 两种创建方式：生成器函数（含yield的函数）和生成器表达式。
2. 核心特点
   • 惰性求值：按需生成数据，节省内存。
   • 状态保留：每次yield后暂停，保留局部变量和状态，下次调用时继续执行。

---

二、生成器的创建方式

1. 生成器函数

python

复制

def count_up_to(n):
    count = 0
    while count < n:
        yield count  # 每次产生一个值后暂停
        count += 1

gen = count_up_to(3)
print(next(gen))  # 输出 0
print(next(gen))  # 输出 1

2. 生成器表达式

类似列表推导式，但用圆括号：

python

复制

gen = (x**2 for x in range(3))
print(list(gen))  # 输出 [0, 1, 4]

---

三、生成器的工作机制

• 执行流程
  调用生成器函数返回生成器对象，通过next()或循环触发执行，遇到yield返回值并暂停，下次next()时恢复。
• 终止条件
  生成器函数执行完毕（或return语句）时抛出StopIteration异常。
  示例：python复制def simple_gen(): yield 1 return “结束” # Python3.3+支持返回值 gen = simple_gen() print(next(gen)) # 输出 1 try: next(gen) except StopIteration as e: print(e.value) # 输出 “结束”

---

四、生成器的优势

1. 内存高效
   无需预存全部数据，适合处理大文件或无限序列。
   示例：逐行读取大文件python复制def read_large_file(file_path): with open(file_path, ‘r’) as f: for line in f: yield line.strip()
2. 代码简洁
   用生成器替代手动实现迭代器（__iter__, __next__），减少样板代码。
3. 支持无限序列
   示例：无限斐波那契数列python复制def fibonacci(): a, b = 0, 1 while True: yield a a, b = b, a + b

---

五、进阶用法

1. 双向通信
   使用.send(value)向生成器发送数据：python复制def interactive_gen(): while True: value = yield # 接收外部发送的值 yield value * 2 gen = interactive_gen() next(gen) # 启动生成器（执行到第一个yield） print(gen.send(10)) # 发送10，输出20
2. 协程与任务调度
   生成器可用于实现简单的协程，结合yield暂停/恢复执行，处理异步逻辑。

---

六、常见问题与注意点

1. 单次遍历
   生成器只能迭代一次，若需重用需重新创建对象。
2. 性能权衡
   生成器的延迟计算可能增加CPU时间，需根据场景选择。

---

七、总结

• 适用场景：大数据流处理、无限序列、内存优化、协程实现。
• 关键选择：当内存限制严格或需按需计算时，优先使用生成器。

通过理解生成器的惰性求值机制和状态保存特性，可以更高效地处理迭代任务，提升代码性能和可维护性。