1.1迭代器
什么是迭代器：
迭代器是一个可以记住遍历的位置对象
迭代器对象从集合的第一个元素元素开始访问，直到所有元素被访问完结束，迭代器只能往前不会后退。
迭代器有两个基本方法:iter ,next 方法
内置函数iter(),next() 本质上都是用的对象.__iter__(),__next__()的方法
内置函数 iter(iterable)，表示把可迭代对象 变成迭代器(iterator)
内置函数next(iterator) ,表示查看下一次迭代的值(当然也可以用 iterator.__next__() ,查看下一次迭代的值)
1.1.2迭代器协议
1.迭代器(iterator)协议是指:对象必须提供一共next方法，执行该方法妖魔返回迭代中的下一项，要么就引起一个Stopiteration异常，已终止迭代。
2.可迭代对象:实现了迭代器协议的对象，(该对象内部定义了一个__iter__()的方法 例：str.__iter__())就是可迭代对象
3.协议是一种约定，可迭代对象实现了迭代器协议，python的内部工具(如。for循环，sum，min，max函数等)使用迭代器协议访问对象
1.1.3python中的for循环
for循环本质：循环所有对象，全部是使用迭代器协议
(字符串，列表，元祖，字典，集合，文件对象)，这些都不是可迭代对象，只不过在for循环，调用了他们内部的__iter__方法，把他们变成了可迭代对象。然后for循环调用可迭代对象的__next__方法去去找，然后for循环会自动捕捉StopIteration异常，来终止循环。
l1 = ["hello","world",1,2] #for循环调用可迭代对象的__next__方法去取值，而且for循环会捕捉StopIteration异常，以终止对象
for i in l1:
print(i) aa = l1.__iter__() #等同于内置函数aa = iter(l1) 创建了一个list_iterator 列表迭代器
print(type(aa))
print(next(aa)) #内置函数 next()查看第一次迭代器的值
print(aa.__next__()) #迭代器本身对象的方法，第二次迭代器的值 跟 内置函数方法都是一样的
print(next(aa))
print(next(aa))
print(next(aa)) #没有可迭代的值了也就是迭代完了，会报错：StopIteration #迭代器迭代完，就不能再次迭代该迭代器 比如for 循环
for i in aa:
print(i)
demo
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5]) #创建一个迭代器
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
print(x)
except StopIteration:
# 遇到StopIteration就退出循环
break
demo2 ：循环比迭代器更强大
总结：
1.可作用于for循环对象本身都是iterable(可迭代对象)类型，或者对象本身有obj.__iter__方法也是iterable
2.凡是可作用于next()函数的对象本身itertor(迭代器)类型，或者obj.__next__也是iterator ，迭代器是一个惰性序列
因为需要调用next，才会获得元素，迭代完，就不能再次迭代。
3.list、dict、str等是iterable，但不是iterator不过可以通过iter()函数获得一个迭代器对象。
1.2生成器
什么是生成器？
1.从字面理解是不是：生成一个容器
2.在python中，一边循环，一边计算的机制，称为生成器(generator)。
3.可以理解为一种数据类型，这种类型自动实现了迭代器协议。(其他的数据类型需要调用自已的内置__iter__方法或则iter()的内置函数)，所以生成器就是一个可迭代对象。
生成器分类以及在python中的表现形式。(python有两种不同的方式提供生成器)
1.生成器函数：常规函数定义，但是，使用yield语句而不是return语句的返回结果。yield语句一次返回一个结果，在每个结果中间，保留函数的状态，以便再上一次状态的重新执行。
2.生成器表达式：类似于列表推导，但是生成器返回按需产生结果的一种对象，而不是一次构建一个结果列表
为何使用生成器，生成器的优点：
python使用生成器对延迟操作提供了支持。所谓延迟操作，是指需要的时候才产生结果，而不是立即生成结果
这就是生成器的好处
生成器小结：
1.生成器是可迭代对象
2.实现了延迟计算，看内存(按需，执行)
3.生成器本质和其他类型一样，都是实现了迭代器协议，只不过生成器是一边计算，一边生成，从而节省内存空间，
其余的可迭代对象可没有好处。
定义生成器的前提：
1.考虑这个生成器是否需要多次遍历。
2.这个生成器内存空间的问题。
3.时间效率问题。
生成器是一个惰性的，根据惰性求值：也就是需要一个对象给一个对象
1.2.1生成器表达式、列表生成式、三元表达式
1.三元运算或则3元表达式
#三元表达式格式 res=值1 if 条件 else 值2 #如果条件满足 res 等于 值1 条件不满足就等于 值2
# demo 1
name = "xixi"
res = "xixi" if name == "xixi" else "hello"
print(res) #demo 2
num = 2 if False else 0
print(num)
2.列表生成式
#列表生成式通过计算生成一个列表 lis_gen = [ i for i in range(1,10)] #列表生成式
print(lis_gen) lis1_gen = [i for i in range(1,10) if i%2 == 0] #生成一个偶数的列表
print(lis1_gen) lis2_gen = [ i * i for i in range(1,10) if i%2 == 1] #生成以个奇数乘自已本身奇数的列表
print(lis2_gen)
列表生成式[] demo
3.生成器表达式
gen_exp = (i for i in range(10)) #生成器表达式
print(gen_exp) #generator
# for i in gen_exp: #取出生成器表达式的值，for循环
# print(i)
print(gen_exp.__next__()) #next方法
print(gen_exp.__next__())
print(gen_exp.__next__())
print(gen_exp.__next__())
print(gen_exp.__next__())
生成器表达式 () demo
gen = (i for i in range(10**100)) #生成器表达式
lis = [i for i in range(10**100)] #列表生成式 #生成器,更省内存，需要一个取一个
print(gen.__next__())
print(lis) #需要在内存空间创建1-10**100序列
生成器表达式和列表生成式比较 ()和[]
总结：
1.把列表解析的[]换成()得到就是生成器表达式
2.列表生成式式一个构建一个结果列表，生成器表达式：是返回按需产生结果的一个对象
3.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存
4.python不但使用迭代器协议让for循环更加通用，大部分内置函数，也是使用迭代器协议访问对象的
如，sum函数是python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议
1.2.2生成器函数
在python中，使用了yield的函数就称为生成器(generator)
1.跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，可以理解为：生成器就是一个迭代器
2.在调用生成器运行过程中，每次遇到yield是函数会暂停并保存当前所有的运行信息，返回yield值。并在下一次执行next方法时，从当前位置继续运行。
普通生成器：
>>> gen = (i for i in range(5))
>>> gen
<generator object <genexpr> at 0x0000004DE29A70A0>
>>> next(gen)
0
>>> next(gen)
1
>>> next(gen)
2
>>> next(gen)
3
>>> next(gen)
4
>>> next(gen)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
算法 实现生成器
注：generator保存的是算法，每次调用next方法，就计算出gen的下一个元素的值，直到计算到最后一个元素，没有更多元素时，就StopIteration的错误。
当然，上面这种不断调用next(gen)，用着有点坑，正确的方法是使用for循环，因为generator也是iterator；
>>> g = (i for i in range(5))
>>> for i in g:
... print(i)
...
0
1
2
3
4
for generator
所以我们创建了一个generator后，基本不会调用next方法，而是通过for循环来迭代它，并且不是关心StopIteration的错误。
generator非常强大，如果计算的算法比较复杂，用for循环无法实现的时候，还可以用函数来实现。
例：斐波拉契数列 后面的一个数等于前面两个数相加的和
def fib(number):
#得出几个斐波拉契数列
count,a,b = 0,0,1
while count < number:
print(b)
a,b = b,a+b
count += 1
return "done"
fib(5)
斐波拉契数列，普通函数定义
def fib1(number):
n,a,b = 0,0,1
while n<number:
yield b
a,b = b,a+b
n += 1
return "done"
aa = fib1(6)
print(aa) #generator
# print(aa.__next__())
for i in aa:
print(i)
斐波拉契数列，yield函数 定义
注：如果一个函数定义中包含yield关键字，那么这个函数就不是普通函数，而是一个generator
注：generator和函数执行的流程不一样，
函数是顺序执行，遇到return语句或则最后一行函数函数语句就返回。
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，再次执行从上次返回的yield语句处继续执行
def packet():
for i in range(1,10):
print("开始生产包子")
yield "第 %d 屉包子" %(i)
print("卖包子，买完再生产")
cs = packet() #生成一个做包子的生成器，相当于做包子的
# print(cs)
q = print(cs.__next__()) #卖包子的
print(cs.__next__())
for i in cs:
print(i)
生产 ，卖的过程
#单线程一边发送，一边执行
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))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("老子开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i) #发送的值，就是yield的返回值
c2.send(i)
producer("xixi")
yield生成器，单线程并发
1.2.3生成器函数总结
1.生成器函数语法上和普通函数类似：生成器使用yield语句返回一个值，而常规函数使用return语句返回一个值
2.生成器自动实现迭代器协议,迭代完，就不能再次迭代。
3.状态挂起：生成器使用yield语句返回一个值。挂起该生成器函数的状态。