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): passfor 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 valexcept 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
