连Python产生器（Generator）的原理都解释不了，还敢说Python用了5年？

电玩女神 2022-12-17 07:04 194阅读 0赞

最近有很多学Python同学问我，Python Generator到底是什么东西，如何理解和使用。Ok，现在就用这篇文章对Python Generator做一个敲骨沥髓的深入解析。

为了更好地理解产生器（Generator），还需要掌握另外两个东西：yield和迭代（iterables）。下面就迭代、产生器和yield分别做一个深入的解析。

**1. 迭代**

当创建一个列表对象后，可以一个接一个读取列表中的值，这个过程就叫做迭代。

mylist = [1, 2, 3]
    for i in mylist:
        print(i, end = ' ')

mylist对象是可迭代的。在创建列表时，可以使用列表推导表达式，所以从直观上看，列表是可迭代的。

mylist = [x*x for x in range(3)]
    for i in mylist:
        print(i, end=' ')

只要使用for ... in...语句，那么in子句后面的部分一定是一个可迭代的对象，如列表、字典、字符串等。

这些可迭代的对象在使用上非常容易理解，我们可以用自己期望的方式读取其中的值。但会带来一个严重的问题。就拿列表为例，如果需要迭代的值非常多，这就意味着需要先将所有的值都放到列表中，而且即使迭代完了列表中所有的值，这些值也不会从内存中消失（至少还会存在一会）。而且如果这些值只需要迭代一次就不再使用，那么这些值在内存中长期存在是没有必要的，所有就产生了产生器（Generator）的概念。

**2. 产生器（Generator）**

要理解产生器，首先要清楚产生器到底要解决什么问题，以及产生器的特性。

产生器只解决一个问题，就是让需要迭代的值不再常驻内存，也就是解决的内存资源消耗的问题。

为了解决这个问题，产生器也要付出一定的代价，这个代价就是产生器中的值只能访问一次，这也是产生器的特性。

下面先看一个最简单的产生器的例子：

# 创建产生器
    data_generator = (x*x for x in range(3))
    print(data_generator)
    for i in data_generator:
        print(i, end=' ')
    print()
    print('第二次迭代data_generator,什么都不会输出')
    print()
    for i in data_generator:
        print(i, end=' ')

乍一看这段代码，好像与前面的代码没什么区别。其实，只有一点点区别，就是在创建data\_generator对象时使用了一对圆括号，而不是一对方括号。使用一对方括号创建的是列表对象，而使用一对圆括号创建的就是迭代器对象，如果直接输出，会输出迭代器对象的地址，只有通过for...in...语句或调用迭代器的相应方法才能输出迭代器对象中的值。而且第二次对迭代器对象进行迭代，什么都不会输出，这是因为迭代器只能被迭代一次，而且被迭代的值使用完，是不会再保存在内存中的。有点类似熊瞎子摘苞米，摘一穗，丢一穗。

![df8f43a36bc593e1265865da77c2a947.png][]

执行这段代码，会输出如下结果：

<generator object <genexpr> at 0x7f95e0154150>
    0 1 4 
    第二次迭代data_generator,什么都不会输出

** **

**3. yield**

到现在为止，我们已经对产生器要解决的问题，以及特性有了一个基本了解，那么产生器是如何做到这一点的呢？这就要依靠yield语句了。

现在让我们先来看一个使用yield的例子。

# 编写产生器函数
    def generate_even(max):
        for i in range(0, max + 1):
            if i % 2 == 0:
                yield i
    print(generate_even(10))
    even_generator = generate_even(10)
    for n in even_generator:
        print(n, end=' ')

这段代码的目的是输出不大于10的所有偶数，其中generator\_even是一个产生器函数。我们注意到，在该函数中每找到一个偶数，就会通过yield语句指定这个偶数。那么这个yield起什么作用呢？

再看看后面的代码，首先调用generator\_even函数，并将返回值赋给even\_generator变量，这个变量的类型其实是一个产生器对象。而for...in...循环中的in子句后面则是这个产生器对象，而n则是产生器中的每一个值（偶数）。执行这段代码，会输出如下结果：

<generator object generate_even at 0x7f814826c450>
    0 2 4 6 8 10

现在先谈谈执行yield语句会起到什么效果。其实yield语句与return语句一样，都起到返回的作用。但yield与return不同，如果执行return语句，会直接返回return后面表达式的值。但执行yield语句，返回的是一个产生器对象，而且这个产生器对象的当前值就是yield语句后面跟着的表达式的值。调用yield语句后，当前函数就会返回一个迭代器，而且函数会暂停执行，直到对该函数进行下一次迭代。

可能读到这些解释，有的读者还是不太明白，什么时候进行下一次迭代呢？如果不使用for...in...语句，是否可以对产生器进行迭代呢？其实迭代器有一个特殊方法\_\_next\_\_。每次对迭代器的迭代，本质上都是在调用\_\_next\_\_方法。

那么还有最后一个问题，for...in...语句在什么时候才会停止迭代呢？其实for...in...语句在底层会不断调用in子句后面的可迭代对象的\_\_next\_\_方法，直到该方法抛出StopIteration异常为止。也就是说，可以将上面的for...in...循环改成下面的代码。连续调用6次\_\_next\_\_方法，返回0到10，一共6个偶数，当第7次调用\_\_next\_\_方法时，产生器中已经没有值了，所以会抛出StopIteration异常。由于for...in...语句自动处理了StopIteration异常，所以循环就会自动停止，但当直接调用\_\_next\_\_方法时，如果产生器中没有值了，就会直接抛出StopIteration异常，除非使用try...except...语句捕获该异常，否则程序会异常中断。

even_generator = generate_even(10)
    print(even_generator.__next__())
    print(even_generator.__next__())
    print(even_generator.__next__())
    print(even_generator.__next__())
    print(even_generator.__next__())
    print(even_generator.__next__())
    # print(even_generator.__next__())  # 抛出StopIteration异常

总结：产生器本质上就是动态产生待迭代的值，使用完就直接扔掉了，这样非常节省内存空间，但这些值只能被迭代一次。

**4. 用普通函数模拟产生器函数的效果**

如果你看到一个函数中使用了yield语句，说明该函数是一个产生器。其实可以按下面的步骤将该产生器函数改造成普通函数。

1. 在函数的开始部分定义一个列表变量，代码如下：

result = []

2. 将所有的yield expr语句都替换成下面的语句：

result.append(expr)

3. 函数的最后执行return result返回这个列表对象

为了更清晰表明这个转换过程，现在给出一个实际的案例：

# 产生不大于max的偶数
    def generate_even(max):
        for i in range(0, max + 1):
            if i % 2 == 0:
                yield i
    
    even_generator = generate_even(10)
    for n in even_generator:
        print(n, end=' ')
    
    # 将产生器函数改造成普通函数，实际上，就是将yield后面表达式的值都添加在列表中
    def generate_even1(max):
        evens = []
        for i in range(0, max + 1):
            if i % 2 == 0:
                evens.append(i)
        return evens
    print()
    even_list = generate_even1(10)
    for n in even_list:
        print(n, end=' ')

在这段代码中有两个函数：generate\_even和generate\_even1，其中generate\_even是产生器函数，generate\_even1是普通函数（与generate\_even函数的功能完全相同）。按着前面的步骤，将所有产生的偶数都添加到了列表变量evens中，最后返回这个列表变量。这两个函数在使用方式上完全相同。不过从本质上说，generate\_even函数是动态生成的偶数，用完了就扔，而generate\_even1函数事先将所有产生的偶数都添加到列表中，最后返回。所以从generate\_even1函数的改造过程来看，yield的作用就相当于使用append方法将表达式的值添加到列表中，只不过yield并不会保存表达式的值，而append方法会保存表达式的值。

** 5.与迭代相关的API**

这一节来看一看Python为我们提供了哪些与迭代相关的API

Python SDK提供了一个itertools模块，该模块中的API都与迭代相关，例如，可以通过chain.from\_iterable方法合并多个可迭代对象，通过permutations函数以可迭代对象形式返回列表的全排列。

from itertools import *
    
    # 这里每一个yield的值必须是可迭代的，才能用chain.from_iterable方法合并
    def make_iterables_to_chain():
        yield [1,2,3]
        yield ['a','b','c']
        yield ['hello','world']
    
    for v in make_iterables_to_chain():
        print(v)
    # 将所有可迭代对象合并成一个可迭代对象
    for v in chain.from_iterable(make_iterables_to_chain()):
        print('<',v,'>', end = ' ')
    print('-------上面的代码相当于下面的写法-------')
    a = [1,2,3]
    a.extend(['a','b','c'])
    a.extend(['hello','world'])
    print(a)
    for v in a:
        print('[',v,']', end = ' ')
    #  以可迭代对象形式返回列表的全排列
    values = [1,2,3,4]
    values_permutations = permutations(values)
    for p in values_permutations:
        print(p)

执行这段代码，会输出如下内容：

[1, 2, 3]
    ['a', 'b', 'c']
    ['hello', 'world']
    < 1 > < 2 > < 3 > < a > < b > < c > < hello > < world > -------上面的代码相当于下面的写法-------
    [1, 2, 3, 'a', 'b', 'c', 'hello', 'world']
    [ 1 ] [ 2 ] [ 3 ] [ a ] [ b ] [ c ] [ hello ] [ world ] (1, 2, 3, 4)
    (1, 2, 4, 3)
    (1, 3, 2, 4)
    (1, 3, 4, 2)
    (1, 4, 2, 3)
    (1, 4, 3, 2)
    (2, 1, 3, 4)
    (2, 1, 4, 3)
    (2, 3, 1, 4)
    (2, 3, 4, 1)
    (2, 4, 1, 3)
    (2, 4, 3, 1)
    (3, 1, 2, 4)
    (3, 1, 4, 2)
    (3, 2, 1, 4)
    (3, 2, 4, 1)
    (3, 4, 1, 2)
    (3, 4, 2, 1)
    (4, 1, 2, 3)
    (4, 1, 3, 2)
    (4, 2, 1, 3)
    (4, 2, 3, 1)
    (4, 3, 1, 2)
    (4, 3, 2, 1)

[df8f43a36bc593e1265865da77c2a947.png]: /images/20221123/bc35e3e45cc1453b97f037e8f86d93bc.png