迭代器的介绍
迭代器的定义：
迭代器（Iterator）是 Python 中用于遍历数据集合的核心机制。它提供了一种统一的方式来访问容器（如列表、字典、文件等）中的元素，而无需关心底层数据结构的具体实现。迭代器的核心特点是按需生成数据，避免一次性加载所有数据到内存。
迭代器适合处理大型数据、无限序列或需要惰性计算的场景。
迭代器的核心概念：
-
迭代器协议：
- 一个对象要成为迭代器，必须实现以下两个方法：
__iter__()：返回迭代器对象本身（通常直接return self）。__next__()：返回下一个元素，若没有更多元素则抛出StopIteration异常。
- Python 的
for循环、next()函数等底层都依赖这一协议。
- 一个对象要成为迭代器，必须实现以下两个方法：
-
可迭代对象（Iterable） VS 迭代器（Iterator）：
- 可迭代对象：实现了
__iter__()方法，可以返回一个迭代器的对象（如列表、元组、字典）。 - 迭代器：实现了
__iter__()和__next__()方法的对象。 - 所有迭代器都是可迭代对象，但可迭代对象本身不一定是迭代器。
差异体现在遍历机制：
-
可迭代对象：
每次调用iter()会生成新的迭代器，因此可被多次遍历：my_list = [1, 2, 3] for x in my_list: print(x) # 输出 1,2,3 for x in my_list: print(x) # 再次输出 1,2,3 -
迭代器：
遍历是一次性的，遍历完成后无法重置：iterator = iter(my_list) for x in iterator: print(x) # 输出 1,2,3 for x in iterator: print(x) # 无输出（迭代器已耗尽）
- 可迭代对象：实现了
自定义迭代器
示例 1： 通过类实现迭代器
class CountUpTo: def __init__(self, max_num): self.max_num = max_num self.current = 0 def __iter__(self): return self # 返回迭代器本身 def __next__(self): if self.current < self.max_num: self.current += 1 return self.current else: raise StopIteration # 终止迭代 # 使用自定义迭代器 counter = CountUpTo(3) for num in counter: print(num) # 输出 1, 2, 3 示例 2： 通过生成器函数实现（简化版）
生成器函数（使用 yield）是创建迭代器的快捷方式：
def count_up_to(max_num): current = 0 while current < max_num: current += 1 yield current # 生成器返回的也是迭代器 for num in count_up_to(3): print(num) # 输出 1, 2, 3 省略的迭代器
写过for循环的都知道，我没用迭代器呀！
用了！只不过是编译器帮你用了。
以下两段代码完全等价：
# 直接遍历列表 my_list = [1, 2, 3, 4, 5] for x in my_list: print(x) # 等价的手动迭代器操作 iterator = iter(my_list) # 自动调用 __iter__() 获取迭代器 while True: try: x = next(iterator) # 自动调用 __next__() print(x) except StopIteration: break # 自动处理终止 为什么不需要显式写迭代器？
-
语法糖（Syntactic Sugar）：for 循环是 Python 提供的一种简化语法，隐藏了迭代器的创建和异常处理细节。
-
统一接口：所有可迭代对象（如列表、元组、字典、集合、字符串等）都可以通过 for 循环统一处理，无需关心底层是列表还是其他数据结构。
生产器的介绍
yield是个英文动词，也是名词，含义是生产的意思。
yield 在 Python里就是生成器。
yield的定义：
Python 的 yield 关键字用于定义生成器函数（Generator Function），生成器是一种特殊的迭代器，能够按需生成值并暂停/恢复执行状态。它的核心特性是惰性求值（Lazy Evaluation），适用于处理大数据流、无限序列或需要节省内存的场景。
核心概念：
-
生成器函数：
- 使用
yield代替return的函数。 - 调用生成器函数时，返回一个生成器对象（迭代器），而非直接执行函数体。
- 生成器通过
next()或for循环逐步执行，每次遇到yield时暂停，返回yield后的值，并在下次调用时从暂停处继续执行。
- 使用
-
与普通函数的区别：
- 普通函数一次执行完毕，返回一个结果。
- 生成器函数逐步产生多个值，并在
yield处保持状态。
与 return 的区别：
| 特性 | yield |
return |
|---|---|---|
| 返回值数量 | 可多次返回值 | 仅返回一次 |
| 函数状态 | 暂停并保留状态 | 终止函数执行 |
| 返回类型 | 生成器对象（迭代器） | 直接返回值 |
| 内存占用 | 低（按需生成） | 高（一次性生成所有数据） |
yield的普通用法
示例 1： 简单生成器
def simple_generator(): yield 1 yield 2 yield 3 gen = simple_generator() print(next(gen)) # 输出 1 print(next(gen)) # 输出 2 print(next(gen)) # 输出 3 # 继续调用 next(gen) 会抛出 StopIteration 异常 示例 2： 用 for 循环遍历生成器
def count_up_to(n): i = 0 while i < n: yield i i += 1 for num in count_up_to(5): print(num) # 输出 0, 1, 2, 3, 4 yield的高级用法
-
通过
send()传递值
生成器可以通过send(value)接收外部传入的值，赋值给yield表达式：def generator_with_send(): value = yield "Ready to receive" yield f"Received: {value}" gen = generator_with_send() print(next(gen)) # 输出 "Ready to receive" print(gen.send("Hello")) # 输出 "Received: Hello" -
yield from委托生成
Python 3.3+ 引入yield from，用于简化嵌套生成器的操作：def sub_generator(): yield "A" yield "B" def main_generator(): yield from sub_generator() yield "C" for item in main_generator(): print(item) # 输出 A, B, C -
异常处理
生成器可以通过throw()方法接收异常：def generator_with_exception(value): try: yield 10 / value except ZeroDivisionError as e: yield "Caught ValueError" gen = generator_with_exception(2) print(next(gen)) gen = generator_with_exception(0) print(next(gen))out:
5.0 Caught ValueError
yidle的实际应用案例
-
大数据处理：
def read_large_file(file_path): with open(file_path, "r") as file: for line in file: yield line.strip() # 逐行生成，避免一次性加载到内存 for line in read_large_file("data.txt"): process(line) -
生成无限序列：
def fibonacci(): a, b = 0, 1 while True: yield a a, b = b, a + b fib = fibonacci() print([next(fib) for _ in range(10)]) # 前10个斐波那契数 -
协程（Coroutine）：
def coroutine(): while True: task = yield print(f"Processing: {task}") worker = coroutine() next(worker) # 启动协程 worker.send("Task1") # 输出 "Processing: Task1" worker.send("Task2") # 输出 "Processing: Task2"在 Python 中，协程（Coroutine） 是一种可以暂停和恢复执行的函数，它能与调用方进行双向通信（接收和发送数据），常用于实现协作式多任务（非抢占式任务切换）。
上文提供的代码是一个典型的基于生成器的协程（Generator-based Coroutine）。
总结
yield 是 Python 中实现惰性计算和协程的核心工具，结合 send()、throw()、close() 等方法，能够构建高效、灵活的数据流和控制流模型。
