Python中的迭代器和生成器

本文以实例详解了python的迭代器与生成器，具体如下所示：

1. 迭代器概述： 迭代器是访问集合元素的一种方式。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结束。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。 1.1 使用迭代器的优点 对于原生支持随机访问的数据结构（如tuple、list），迭代器和经典for循环的索引访问相比并无优势，反而丢失了索引值（可以使用内建函数enumerate()找回这个索引值）。但对于无法随机访问的数据结构（比如set）而言，迭代器是唯一的访问元素的方式。

另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件，或是斐波那契数列等等。

迭代器更大的功劳是提供了一个统一的访问集合的接口，只要定义了__iter__()方法对象，就可以使用迭代器访问。 迭代器有两个基本的方法 next方法：返回迭代器的下一个元素__iter__方法：返回迭代器对象本身下面用生成斐波那契数列为例子，说明为何用迭代器 示例代码1

? 1 2 3 4 5 6 def fab( max ):   n, a, b = 0 , 0 , 1   while n < max :     print b     a, b = b, a + b     n = n + 1

直接在函数fab(max)中用print打印会导致函数的可复用性变差，因为fab返回None。其他函数无法获得fab函数返回的数列。 示例代码2

? 1 2 3 4 5 6 7 8 def fab( max ):   L = []   n, a, b = 0 , 0 , 1   while n < max :     L.append(b)     a, b = b, a + b     n = n + 1   return L

代码2满足了可复用性的需求，但是占用了内存空间，最好不要。 示例代码3 对比： 

? 1 2 for i in range ( 1000 ): pass for i in xrange ( 1000 ): pass

前一个返回1000个元素的列表，而后一个在每次迭代中返回一个元素，因此可以使用迭代器来解决复用可占空间的问题 

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 class Fab( object ):   def __init__( self , max ):     self . max = max     self .n, self .a, self .b = 0 , 0 , 1     def __iter__( self ):     return self     def next ( self ):     if self .n < self . max :       r = self .b       self .a, self .b = self .b, self .a + self .b       self .n = self .n + 1       return r     raise StopIteration()

执行

? 1 2 >>> for key in Fabs( 5 ):    print key

Fabs 类通过 next() 不断返回数列的下一个数，内存占用始终为常数　　

1.2 使用迭代器

使用内建的工厂函数iter(iterable)可以获取迭代器对象：

? 1 2 3 4 >>> lst = range ( 5 ) >>> it = iter (lst) >>> it <listiterator object at 0x01A63110 >

使用next()方法可以访问下一个元素：

? 1 2 3 4 5 >>> it. next ()    >>> it. next ()    >>> it. next ()

python处理迭代器越界是抛出StopIteration异常

? 1 2 3 4 5 6 7 8 9 10 11 12 >>> it. next ()    >>> it. next <method - wrapper 'next' of listiterator object at 0x01A63110 > >>> it. next ()    >>> it. next ()    Traceback (most recent call last):   File "<pyshell#27>" , line 1 , in <module>    it. next () StopIteration

了解了StopIteration，可以使用迭代器进行遍历了

? 1 2 3 4 5 6 7 8 lst = range ( 5 ) it = iter (lst) try :    while True :      val = it. next ()      print val except StopIteration:    pass

事实上，因为迭代器如此普遍，python专门为for关键字做了迭代器的语法糖。在for循环中，Python将自动调用工厂函数iter()获得迭代器，自动调用next()获取元素，还完成了检查StopIteration异常的工作。如下

? 1 2 3 >>> a = ( 1 , 2 , 3 , 4 ) >>> for key in a:    print key

首先python对关键字in后的对象调用iter函数迭代器，然后调用迭代器的next方法获得元素，直到抛出StopIteration异常。

1.3 定义迭代器 下面一个例子——斐波那契数列 

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 # -*- coding: cp936 -*- class Fabs( object ):    def __init__( self , max ):      self . max = max      self .n, self .a, self .b = 0 , 0 , 1 #特别指出：第0项是0，第1项是第一个1.整个数列从1开始    def __iter__( self ):      return self    def next ( self ):      if self .n < self . max :        r = self .b        self .a, self .b = self .b, self .a + self .b        self .n = self .n + 1        return r      raise StopIteration()    print Fabs( 5 ) for key in Fabs( 5 ):    print key

结果

? 1 <__main__.Fabs object at 0x01A63090 >

2. 迭代器

带有 yield 的函数在 Python 中被称之为 generator（生成器），几个例子说明下（还是用生成斐波那契数列说明） 可以看出代码3远没有代码1简洁，生成器（yield）既可以保持代码1的简洁性，又可以保持代码3的效果 示例代码4　 

? 1 2 3 4 5 6 def fab( max ):    n, a, b = 0 , 0 , 1    while n < max :      yield b      a, b = b, a + b      n = n = 1

执行

? 1 2 >>> for n in fab( 5 ):    print n

简单地讲，yield 的作用就是把一个函数变成一个 generator，带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，调用 fab(5) 不会执行 fab 函数，而是返回一个 iterable 对象！在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield b 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield b 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。 也可以手动调用 fab(5) 的 next() 方法（因为 fab(5) 是一个 generator 对象，该对象具有 next() 方法），这样我们就可以更清楚地看到 fab 的执行流程：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 >>> f = fab( 3 ) >>> f. next () 1 >>> f. next () 1 >>> f. next () 2 >>> f. next ()    Traceback (most recent call last):   File "<pyshell#62>" , line 1 , in <module>    f. next () StopIteration

return作用

在一个生成器中，如果没有return，则默认执行到函数完毕；如果遇到return,如果在执行过程中 return，则直接抛出 StopIteration 终止迭代。例如 

? 1 2 3 4 5 6 7 8 9 >>> s = fab( 5 ) >>> s. next () 1 >>> s. next ()    Traceback (most recent call last):   File "<pyshell#66>" , line 1 , in <module>    s. next () StopIteration

示例代码5  文件读取

? 1 2 3 4 5 6 7 8 9 def read_file(fpath):   BLOCK_SIZE = 1024   with open (fpath, 'rb' ) as f:     while True :       block = f.read(BLOCK_SIZE)       if block:         yield block       else :         return

如果直接对文件对象调用 read() 方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取。

 

转载自http://www.jb51.net/article/52234.htm

再贴几个例子感受一下

def fab(max): a,b = 0,1 while a < max: yield a print a a, b = b, a+b for i in fab(20): print i,"," 0 , 0 1 , 1 1 , 1 2 , 2 3 , 3 5 , 5 8 , 8 13 , 13 def power(values): for value in values: print 'powering %s' %value yield value def adder(values): for value in values: print 'adding to %s' %value if value%2==0: yield value+3 else: yield value+2 elements = [1,4,7,9,12,19] values = power(elements) #print type(values) res = adder(values) #print type(res) print res.next() print res.next() print res.next() print res.next() powering 1 adding to 1 3 powering 4 adding to 4 7 powering 7 adding to 7 9 powering 9 adding to 9 11 def psychologist(): print 'Please tell me your problems' while True: answer = (yield) if answer is not None: if answer.endswith('?'): print ("Don't ask yourself too much questions") elif 'good' in answer: print "A that's good, go on" elif 'bad' in answer: print "Don't be so negative" free = psychologist() print free.next() print free.send('I feel bad') print free.send("Why I shouldn't ?") print free.send("ok then i should find what is good for me") Please tell me your problems None Don't be so negative None Don't ask yourself too much questions None A that's good, go on None

 

转载于:https://www.cnblogs.com/giserliu/p/4623530.html