python之迭代器与生成器
可迭代
假如现在有一个列表，有一个int类型的12345。我们循环输出。
list=[1,2,3,4,5]for i in list: print(i)for i in 12345: print(i)
结果：
Traceback (most recent call last): File "C:/Pycham/生成器与迭代器/test1.py", line 6, infor i in 12345:TypeError: 'int' object is not iterable12345
报错显示：1234不是可以被迭代的。那python中哪些是可迭代的：字符串、列表、元组、字典、集合。
for循环工作机制：for循环在循环一个对象的时候，会调用这个对象的iter方法，得到迭代器，然后在调用这个迭代器的next方法，去获得这个迭代器中包涵的每个值。 现在可能我们不太明白，什么是iter方法，什么是迭代器，什么是next方法。
迭代器
但是如果只是将数据集内的数据“一个挨着一个的取出来，for循环就可以做到，为什么要使用迭代器呢？迭代器是什么？迭代器能迭代的一定是可以迭代的数据类型。如果我们要使用迭代器，一定要将可以被迭代的数据集转为迭代器，使用__iter__()。
#列表生成式list=[1,2,3,4,5]#生成器gen=list.__iter__()print(list)print(gen)结果：[1, 2, 3, 4, 5]
迭代器的三个方法
iter_l = [1,2,3,4,5,6].__iter__()#获取迭代器中元素的长度print(iter_l.__length_hint__())#根据索引值指定从哪里开始迭代print(iter_l.__setstate__(2))#一个一个的取值print(iter_l.__next__())
结果： 6None3
循环输出迭代器的内容
注意：
很重要的特性，就是不可逆，只能前进，不能后退。
如果迭代的次数超过里面的数据，就会报错。
l = [1,2,3,4]l_iter = l.__iter__()while True: try: item = l_iter.__next__() print(item) except StopIteration: break
总结：一个对象是否可迭代，全都取决于这个对象是否有iter方法，调用对象的iter方法，就回返回一个迭代器，这个迭代器一定具有next方法，在调用这个迭代器的next方法时，迭代器就回返回它的下一个值，当迭代器中没有值可以返回了，就回抛出一个名为StopIteration的异常，停止迭代。for循环的工作机制，可以让我们遍历任何一个可迭代的数据集。虽然序列类型字符串，列表，元组都有下标，你用下标的方式访问。但是非序列类型像字典，集合，文件对象这样的数据类型也是可迭代的。
生成器
通过列表生成式，我们可以直接创建一个列表，但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那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生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像 是迭代器。总结：生成器是个比较特殊的可迭代对象，它与其他的可迭代对象不太一样的地方，其他的可迭代对象需要调用iter方法，返回个迭代器对象，然后通过迭代器对象去执行next方法，获取迭代器中的值，但是生成器直接可以被迭代，无需执行iter方法。
生成器Generator： 本质：迭代器(所以自带了__iter__方法和__next__方法，不需要我们去实现) 特点：惰性运算,开发者自定义
初始生成器
import timedef genrator_fun1(): a = 1 print('现在定义了a变量') yield a b = 2 print('现在又定义了b变量') yield bg1 = genrator_fun1()print('g1 : ',g1) #打印g1可以发现g1就是一个生成器print('-'*20) #我是华丽的分割线print(next(g1))time.sleep(1) #sleep一秒看清执行过程print(next(g1))
python中生成器有两种表达形式
函数式生成器：在常规的函数中定义的生成器，语句的返回值不再使用return去返回，而是使用yield关键字每次返回一个结果,一个函数中不可以有多个return，但是可以有多个yield，函数中的每一个yield都会返回一个结果，每执行一个yield，函数的执行状态都会被‘挂起’可以理解 为暂停，下次继续调用这个函数的时候，会从上次挂起的位置继续向下执行。
def func1(): yield 1 print("第一个yield执行完成~") yield 2 print("第二个yield执行完成~") yield 3 print("第三个yield执行完成~")for i in func1(): print(i)
结果： 1第一个yield执行完成~2第二个yield执行完成~3第三个yield执行完成~
生成器表达式：使用类似于列表推导式的方法，但是返回的对象不再是一个列表，而是一个可以按需生成结果的一个对象（生成器）。只要把一个列表生成式的[]中括号改为（）小括号，就创建一个generator
#列表生成式lis = [x*x for x in range(10)]print(lis)#生成器generator_ex = (x*x for x in range(10))print(generator_ex) 结果：[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]at 0x000002A4CBF9EBA0>
for循环输出生成器的值
#生成器generator_ex = (x*x for x in range(10))for i in generator_ex: print(i) 结果：0149162536496481
所以我们创建一个generator后，基本上永远不会调用next()，而是通过for循环来迭代，并且不需要关心StopIteration的错误（迭代超过长度）。
使用生成器的优点：延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
最后示例：
import timedef cumtom(name): print('%s准备吃包子' %name) time.sleep(1) while 1: count=yield print('%s吃到第%d个包子' %(name,count))def producter(): con1.__next__() con2.__next__() n=1 while 1: time.sleep(1) print('已经生产出来%d、%d个包子' %(n,n+1)) #通过send方法通知 con1.send(n) con2.send(n+1) n+=2con1=cumtom('cumtom1')con2=cumtom('cumtom2')producter()
cumtom1准备吃包子cumtom2准备吃包子已经生产出来1、2个包子cumtom1吃到第1个包子cumtom2吃到第2个包子已经生产出来3、4个包子cumtom1吃到第3个包子cumtom2吃到第4个包子已经生产出来5、6个包子cumtom1吃到第5个包子cumtom2吃到第6个包子已经生产出来7、8个包子cumtom1吃到第7个包子cumtom2吃到第8个包子已经生产出来9、10个包子cumtom1吃到第9个包子cumtom2吃到第10个包子已经生产出来11、12个包子cumtom1吃到第11个包子cumtom2吃到第12个包子已经生产出来13、14个包子cumtom1吃到第13个包子cumtom2吃到第14个包子已经生产出来15、16个包子cumtom1吃到第15个包子cumtom2吃到第16个包子