迭代器与生成器
生成器（generator）
先来了解一下列表生成器：
list = [i*2 for i in range(10)]
print(list)
>>>>
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
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：
gen1 = (i*2 for i in range(10))
print(gen1)
>>>>>
<generator object <genexpr> at 0x0000022419B21AF0> #列表生成器打印出来只是一个内存地址
要注意的是：
1.打印生成器，只是打印其内存地址，生成器只有在调用的时候，才会产生元素，只能一个个取值
2.生成器不能像列表一样访问某个元素，或者切片。只能通过for循环打印出来，或者通过 【__next__()】，括号里不能给参数 2.7里 是 next()
3.生成器只有一个 __next__() 方法，生成器只会记住当前的取值，可以用next方法调用下一个，但是不能往前，内置函数 next也可以调用，for循环也可以调用，还可以数据类型强制转换： list(generator)
>在一次运行过程中，生成器遍历取值完就没有值了。 迭代器也是遍历完就没有值了，同样也会有 StopIteration Error
>生成器是一类特殊的迭代器。在函数中用 yield
#for循环调用生成器，，yield不能和return共用，且要写在函数内部
>>> def generator():
print(1)
yield 33333 #可以把yield看成return一个值，但是不结束函数，只是暂时中断
print(2)
yield 44444 >>> g = generator() #此时g就是一个生成器，generator就是iterator，所以可以用for循环
>>> for i in g:
print(i)
---->
1
33333
2
44444
>>>
用函数生成生成器，以斐波那契数列进行举例（yield不能和return共用，且要写在函数内部）
def fibo(max):
n,a,b = 0,0,1
while n<max:
#print(b)
yield b #生成器的创建 yield:（返回后暂停）保持当前状态并中断函数，下次运行时，从这里往后运行，因为保存了当前状态
a,b = b,a+b #相当于 t =(b,a+b) a = t[0] b = [t1]
n +=1
return 'done' f = fibo(10)
print(f.__next__())
print(f.__next__())
print('----做点别的事情----') #生成器可以调用一下，然后停下来做别的事，其他函数会一口气打印出所有结果
print(f.__next__())
print(f.__next__())
print('----开始for循环----') #__next__方法只记录当前位置
for i in f:
print(i) >>>>>#结果如下所示
1
1
----做点别的事情----
2
3
----开始for循环----
5
8
13
21
34
55
def fibo(max):
n,a,b = 0,0,1
while n<max:
#print(b)
yield b
a,b = b,a+b #相当于 t =(b,a+b) a = t[0] b = [t1]
n +=1
return '----done----' f = fibo(3) #只运行3次斐波那契数列
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__()) #此时调用了4次next方法 ，此时会报 StopIteration错误 >>>>>>
Traceback (most recent call last):
1
File "C:/Users/15302/PycharmProjects/GKXXX/day3/斐波那契数列.py", line 20, in <module>
1
print(f.__next__())
2
StopIteration: ----done---- #这个done是函数返回值
可以用【try—except】来抓住异常（for循环用的就是这种机制）
def fibo(max):
‘--snip--’ f = fibo(5)
while True: #用 try—except 来抓住异常
try:
x = next(f)
print('斐波那契数列:',x) #打印每次运行generator的值
except StopIteration as e: #抓住StopIteration异常
print('Generator return value:',e.value) #输出返回值
break >>>>>
斐波那契数列: 1
斐波那契数列: 1
斐波那契数列: 2
斐波那契数列: 3
斐波那契数列: 5
Generator return value: ----done----
关于yield（yield类似return，如果不打印是不显示yield的值的，只会执行程序）
def gen():
print('start')
m = yield 2 # 可以看作yield返回值为2，send(3)把3传递给m，并调用，m变成3了，同下
print(m)
n = yield 3
print(n) try:
g = gen() #此时不运行gen()函数，若print(g) 会打印该生成器的内存地址
g.send(None) # 相当于 g.__next__() 此处若 print(g.send(None)) 则先执行 打印start，然后执行 打印 yiled的返回值 2，然后函数暂停
g.send(3333) #此处若 print(g.send(3333)) 首先函数继续往下走，先把send里的3333赋值给m，然后打印m，接下来执行 yield 3的返回值，打印3
g.send(6666)
except StopIteration as e:
print(e.value) >>>>
start
3333
6666
None
import time
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) # c = consumer('gkx') #此时不运行程序，即当函数中有yield时候，一定要用 __next__,send()方法调用才会运行,这句话相当于把函数变成生成器而已
# c.__next__() #第一次运行到 yield，然后保存当前状态，停止
# b1 = 'jiucai'
# c.send(b1)
#c.__next__() #运行yield往后的语句，即第二句 print处
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i) producer("gkx")
迭代器
1.凡是可作用于for循环的对象都是Iterable类型； 可迭代协议— 只要含有 __iter__方法的都是可迭代的
1 >>> from collections import Iterable
>>> isinstance([],Iterable)
True
>>> isinstance((),Iterable)
True
>>> isinstance({},Iterable)
True
>>> isinstance(‘abc’,Iterable)
True
>>> isinstance((x for x in range(10)),Iterable)
True
>>> isinstance(100,Iterable)
False 15 #list,set,dict,str,generatior都是可迭代的，数字不可迭代 print('__iter__' in dir([])) >>>>>简单粗暴的判断方法
2.凡是可作用于next()函数的对象都是Iterator(迭代器)类型，它们表示一个惰性计算的序列；（生成器一定是迭代器，迭代器不一定是生成器）
迭代器协议：含有 __next__ 和 __iter__方法的，就是迭代器
1 >>> from collections import Iterator
>>> isinstance((x for x in range(10)),Iterator)
True
>>> isinstance([],Iterator)
False
>>> isinstance({},Iterator)
False
>>> isinstance('abc',Iterator)
False
>>> 12 #在dict,set,list,str,generator中，只有generator才是迭代器
3.集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。
from collections import Iterator
1 >>> isinstance(iter([]),Iterator)
True
>>> isinstance(iter({}),Iterator)
True
>>> a = ['1','2']
>>> iter(a)
<list_iterator object at 0x00000262D6E85F60>
>>> iter(a).__next__() #把列表a转换为迭代器，可以使用__next__()函数
'1'
>>>
我们在文件操作中，用 for line in f: 其中 文件句柄 f 就是迭代器
for循环等价于：
>>> it = iter(range(10))
>>> while True:
try:
x = next(it)
print(x)
except StopIteration:
break 0
1
2
3
4
5
6
7
8
9
>>>
【你可能会问，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。】
—https://www.cnblogs.com/alex3714/articles/5765046.html