Python迭代器与生成器总结【建议收藏】

末蓝、 2023-02-25 11:25 10阅读 0赞

前言：本博文主要讲解了迭代器与生成器的用法与区别。

### 文章目录 ###

*   *  一、迭代器
     *   *  1.1、概念
         *  1.2、应用
         *  1.3、扩展
         *  1.4、总结
     *  二、生成器
     *   *  2.1、概念
         *  2.2、应用
         *  2.3、扩展
         *  2.4、总结
     *  三、迭代器与生成器的区别
     *   *  3.1、共同点
         *  3.2、不同点
         *   *  3.2.1、语法上
             *  3.2.2、用法上

## 一、迭代器 ##

### 1.1、概念 ###

1.  通过`iter()`方法获得了list的迭代器对象，然后就可以通过`next()`方法来访问list中的元素了。当容器中没有可访问的元素后，`next()`方法将会抛出一个StopIteration异常终止迭代器。
2.  字符串、列表或元祖对象都可用于创建迭代器。
3.  迭代器是有限制的，例如：不能回到开始，也无法复制一个迭代器。因此要再次进行迭代只能重新生成一个新的迭代器对象。
4.  `__iter__()`方法和`__next__()`方法，这两个方法是迭代器最基本的方法：一个用来获得迭代器对象，一个用来获取容器中的下一个元素。

### 1.2、应用 ###

我们已经知道，可以直接作用于`for`循环的数据类型有以下几种：

1.  集合数据类型，如`list`、`tuple`、`dict`、`set`、`str`等；
2.  `generator`，包括生成器和带`yield`的generator function。

以上这些可以直接作用于`for`循环的对象统称为可迭代对象：`Iterable`。

我们可以使用`isinstance()`判断一个对象是否是`Iterable`对象：

from collections.abc import Iterable
    isinstance([], Iterable)
    # True
    isinstance({ }, Iterable)
    # True
    isinstance('abc', Iterable)
    # True
    isinstance((x for x in range(10)), Iterable)
    # True
    isinstance(100, Iterable)
    # false

而生成器不但可以作用于`for`循环，还可以被`next()`函数不断调用并返回下一个值，直到最后抛出`StopIteration`错误表示无法继续返回下一个值了。

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`。

可以使用`isinstance()`判断一个对象是否是`Iterator`对象：

from collections.abc import Iterator
    isinstance((x for x in range(10)), Iterator)
    # True
    isinstance([], Iterator)
    # False
    isinstance({ }, Iterator)
    # False
    isinstance('abc', Iterator)
    # False

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：

isinstance(iter([]), Iterator)
    # True
    isinstance(iter('abc'), Iterator)
    # True

那么为什么`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。

### 1.3、扩展 ###

Python的`for`循环本质上就是通过不断调用`next()`函数实现的，例如：

for x in [1, 2, 3, 4, 5]:
        pass

实际上完全等价于：

# 首先获得Iterator对象:
    it = iter([1, 2, 3, 4, 5])
    # 循环:
    while True:
        try:
            # 获得下一个值:
            x = next(it)
        except StopIteration:
            # 遇到StopIteration就退出循环
            break

### 1.4、总结 ###

1.  迭代器是一个可以记住遍历的位置对象；
2.  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；
3.  凡是可作用于`for`循环的对象都是`Iterable`类型；
4.  凡是可作用于`next()`函数的对象都是`Iterator`类型，它们表示一个惰性计算的序列；
5.  集合数据类型如`list`、`dict`、`str`等是`Iterable`但不是`Iterator`，但是可以通过`iter()`函数获得一个`Iterator`对象。

>  *  迭代器对象可以使用常规`for`语句进行遍历；
>  *  迭代器对象也可以用`while`语句进行遍历。

## 二、生成器 ##

### 2.1、概念 ###

如果列表元素可以按照某种算法推算出来，那么就不必在循环的过程中不断推算后续的元素了。因而就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一个计算的机制，称为生成器（Generator）。

### 2.2、应用 ###

我们可以把一个列表生成式的`[]`改成`()`，就创建了一个generator：

lst = [x * x for x in range(10)]
    print(lst)
    # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
    gen = (x * x for x in range(10))
    print(gen)
    # <generator object <genexpr> at 0x00000221078DF1C8>

通过上面我们可以看到：创建lst直接可以打印出每一个元素，而创建gen却是一个generator，那我们怎样对其进行打印呢？可以通过`next()`函数获得generator的下一个返回值：

next(g)
    # 0
    next(g)
    # 1
    next(g)
    # 4
    next(g)
    # 9
    next(g)
    # 16
    next(g)
    # 25
    next(g)
    # 36
    next(g)
    # 49
    next(g)
    # 64
    next(g)
    # 81
    next(g)
    """ Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration """

这是为什么呢？因为generator保存的是算法，每次调用`next(g)`，就计算出`g`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，在实际开发中，我们不会调用`next(g)`这种方法。正确的方法是使用`for`循环，因为generator也是可迭代对象：

for i in gen:
        print(i)
    """ 0 1 4 9 16 25 36 49 64 81 """

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。

### 2.3、扩展 ###

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。

不仅如此generator和函数的执行流程也不一样。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。我们可以看一下，下面这个例子：

def odd():
        print('step 1')
        yield 1
        print('step 2')
        yield 3
        print('step 3')
        yield 5

调用该generator时，首先要生成一个generator对象，然后用`next()`函数不断获得下一个返回值：

odd()
    # <generator object odd at 0x00000221056C41C8>
    o = odd()
    next(o)
    """ step 1 1 """
    next(o)
    """ step 2 3 """
    next(o)
    """ step 3 5 """
    next(o)
    """ Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration """

可以看到，`odd`不是普通函数，而是generator，在执行过程中，遇到`yield`就中断，下次又继续执行。执行3次`yield`后，已经没有`yield`可以执行了，所以，第4次调用`next(o)`就报错。

### 2.4、总结 ###

1.  在Python中，使用`yield`的函数被称为生成器；
2.  与普通函数不同的说：生成器将返回一个迭代器的函数，而且生成器只能用于迭代操作。可见，生成器是一种特殊的迭代器；
3.  在调用生成器运行的过程中，每次遇到`yield`时函数会暂停并保存当前所有的运行信息，返回`yield`的值，并在下一次执行`next()`方法时，从当前位置继续运行。
4.  与`return`返回值不同的是：`yield`语句每产生一个值，函数会暂停，返回`yield`值，等待被重新唤醒后从当前位置继续执行。

## 三、迭代器与生成器的区别 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDM0Mzg0_size_16_color_FFFFFF_t_70]

### 3.1、共同点 ###

*  生成器是一种特殊的迭代器

### 3.2、不同点 ###

#### 3.2.1、语法上 ####

*  生成器是通过函数的形式中调用`yield`或`()`的形式创建的；
 *  迭代器可以通过`iter()`内置函数创建。

#### 3.2.2、用法上 ####

*  生成器在调用`next()`函数或`for`循环中，所有过程被执行，且返回值；
 *  迭代器在调用`next()`函数或`for`循环中，所有值被返回，没有其他过程或动作。

> 1.  通过实现迭代器协议对应的`__iter__()`和`__next__()`方法，可以自定义迭代器类型。对于迭代器对象，`for`语句可以通过`iter()`方法获取迭代器，并且通过`next()`方法来获得容器的下一个元素。
> 2.  生成器是一种特殊的迭代器，内部支持了生成器协议，不需要明确定义`__iter__()`和`__next__()`方法。
> 3.  生成器通过生成器函数产生，生成器函数可以通过常规的`def`语句来定义，但是不用`return`返回，而是用`yield`一次返回一个结果。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDM0Mzg0_size_16_color_FFFFFF_t_70]: /images/20230209/091066160fb3423295143816151f446a.png