列表生成式：
需求：要对列表 [0,1,2,3,4,5,6,7,8,9]的每个元素加1
用列表生成式一步搞定：
li = [i+1 for i in range(10)] # 这种写法就叫列表生成式
print(li)
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。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator（生成器）。
我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？
如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值
generator保存的是算法，每次调用next()，就计算出的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。
当然，上面这种不断调用next()实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象
li = (i+1 for i in range(10)) # 将[]改成(),就变成了生成器表达式
print(li) # 再打印li，会发现输出的事一个Generator生成器对象
print(next(li)) # 使用next()方法可以拿到生成器li的一个值，每调用一次，生成一个值
for i in li:
print(i)
所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。
生成器非常强大，当然不可能只局限于生成器表达式，还有函数式生成器
函数式生成器：
def produce(): # 定义一个生产衣服的函数
for i in range(20000):
yield "生产第%s件衣服" % i
ret=produce()
print(next(ret)) # 生产第一件衣服
print(next(ret)) # 生产第二件衣服
print(next(ret)) # 生产第三件衣服
print("干点别的") # 如果临时暂停的生产，去做了别的事情，下次继续生产时，会接着之前的继续生产
print(next(ret)) # 生产第四件衣服
num = 0 # 使用for 循环一次生产5件
for i in ret:
print(i)
num += 1
if num == 5:
break
这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator，
最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，
在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。同样我们一般使用for循环来迭代取值。
这是使用生成器实现斐波那契数列：
def fib(num):
n, a, b = 0, 0, 1
while n < num:
yield b
a, b = b, a+b
n += 1
f = fib(5)
print(next(f))
print(next(f))
print(next(f))
print(next(f))
for i in fib(10):
print(i)
send 方法：
在生成器中，可以使用send向yield发送返回值，send和next一样，会让生成器函数从yield往下继续走，并返回send()发送的值。
import time
def egg(name):
print("同学%s来吃鸡蛋了" % name)
while True:
eggs = yield
print("鸡蛋%s被%s吃掉了" % (eggs, name))
def egg1(name):
a = egg("A")
b = egg("B")
next(a)
next(b)
print("%s要开始下蛋了" % name)
for i in range(10):
time.sleep(1)
print("%s下了两个鸡蛋" % name)
a.send(i)
b.send(i)
egg1("fengfeng")
迭代器：
可迭代对象（Iterable）：可以被for循环对象叫做可迭代对象。
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
可以使用isinstance()判断一个对象是否是Iterable对象：
from collections import Iterable
print(isinstance([], Iterable)) # 结果是True
print(isinstance({}, Iterable)) # 结果是True
print(isinstance((), Iterable)) # 结果是True
print(isinstance("abc", Iterable)) # 结果是True
print(isinstance(123, Iterable)) # 结果是False
print(isinstance((i for i in range(10)), Iterable)) # 结果是True
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
isinstance()同样可以判断一个对象是不是迭代器
from collections.abc import Iterator
print(isinstance([], Iterator)) # 结果是False
print(isinstance({}, Iterator)) # 结果是False
print(isinstance((), Iterator)) # 结果是False
print(isinstance("abc", Iterator)) # 结果是False
print(isinstance(123, Iterator)) # 结果是False
print(isinstance((i for i in range(10)), Iterator)) # 结果是True
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：
from collections import Iterator
print(isinstance(iter([]), Iterator)) # 结果是True
print(isinstance(iter({}), Iterator)) # 结果是True
为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。
可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
