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