## 列表生成式 ~~~ a = [i+1 for i in range(10)] ~~~ 　　通过列表生成式，我们可以直接快速的创建一个列表。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？这样就可以直接创建一个对象而不必创建完整的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。 ## 生成器 　　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：  　　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：  　　我们讲过，generator保存的是算法，每次调用`next()`，就计算出a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，也使用`for`循环，因为generator也是可迭代对象：  generator非常强大。如果推算的算法比较复杂，用类似列表生成式的`for`循环无法实现的时候，还可以用函数来实现。比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到： 1, 1, 2, 3, 5, 8, 13, 21, 34, ... 斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易： ~~~ def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return 'done' ~~~ ~~~ >>> fib(10) 1 1 2 3 5 8 13 21 34 55 done ~~~ 　　仔细观察，可以看出，`fib`函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。 　　也就是说，上面的函数和generator仅一步之遥。要把`fib`函数变成generator，只需要把`print(b)`改为`yield b`就可以了： ~~~ def fib(max): n,a,b = 0,0,1 while n < max: yield b a,b = b,a+b n += 1 return 'done' ~~~ ~~~ >>> f = fib(6) >>> f <generator object fib at 0x104feaaa0> ~~~ 　　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。这里，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。同样的我们也可以用`next()方法`来获取下一个返回值，或者也可以直接使用`for`循环来迭代。 　　PS：用`for`循环调用generator时，拿不到generator的`return`语句的返回值。如果想要拿到返回值，必须捕获`StopIteration`错误，返回值会包含在`StopIteration`的`value`中： ~~~ >>> g = fib(6) >>> while True: ... try: ... x = next(g) ... print('g:', x) ... except StopIteration as e: ... print('Generator return value:', e.value) ... break ... g: 1 g: 1 g: 2 g: 3 g: 5 g: 8 Generator return value: done ~~~ ## 可迭代对象 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： 　　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。 这些可以直接作用于`for`循环的对象统称为可迭代对象：`Iterable`。可以使用`isinstance()`判断一个对象是否是`Iterable`对象： ~~~ >>> from collections 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。 **所以，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`**。 ## 迭代器 　　迭代器是访问集合元素的一种方式。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。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件 特点： 1. 访问者不需要关心迭代器内部的结构，仅需通过next()方法不断去取下一个内容 2. 不能随机访问集合中的某个值 ，只能从头到尾依次访问 3. 访问到一半时不能往回退 4. 便于循环比较大的数据集合，节省内存 可以使用`isinstance()`判断一个对象是否是`Iterator`对象： ~~~ >>> from collections 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 ~~~ 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。 ## 小结   * 凡是可作用于`for`循环的对象都是`Iterable`类型； * 凡是可作用于`next()`函数的对象都是`Iterator`类型； * 迭代器对象一定是可迭代对象，但是可迭代对象不一定是迭代器对象； * 生成器对象一定是迭代器对象，但是迭代器对象不一定是生成器对象； * 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；