目录
一、生成器介绍
1.1 生成器与迭代器的关系
1.2 生成器与return比较
二、创建生成器
方法1: 生成器函数
方法2: 生成器表达式
三、生成器的实际应用场景
3.1 处理大型文件
3.2 生成无限序列
3.3 数据管道处理
四、生成器的高级用法
4.1 使用send()方法传递值
4.2 生成器委托（yield from）
五、生成器的特点
总结
一、生成器介绍
生成器是Python中一种特殊的迭代器，关键字是yield，它允许你按需生成值，而不是一次性计算并存储所有值。这种"惰性计算"的特性使得生成器在处理大数据集或无限序列时非常高效。
1.1 生成器与迭代器的关系
生成器是一种特殊的迭代器，具有迭代器的所有特性，但更简洁。生成器自动实现了迭代器协议（即__iter__()和__next__()方法），并且状态挂起和恢复是自动的。
迭代器是一个可以记住遍历位置的对象，它从集合的第一个元素开始访问，直到所有元素被访问完结束，只能往前不会后退。生成器是使用yield表达式来生成值的函数，每次调用next()时，生成器会从上次yield的位置继续执行，直到遇到yield或return（包括函数结束）为止。
生成器是迭代器的一种，但迭代器不一定是生成器。
- 迭代器可以通过实现类的__iter__和__next__方法来创建
- 生成器通过函数和yield来创建。
1.2 生成器与return比较
- 普通函数使用
return返回结果后，其执行状态就会被销毁。 - 生成器使用
yield关键字，在返回值的同时会保存当前执行状态，下次调用时可以从上次暂停的地方继续执行。
通俗的说，yield就是和return一样执行到该位置时返回变量值，但函数不会结束退出，而是暂停在这个位置挂起任务，等待下一次next（）调用时，从暂停的位置继续执行。
二、创建生成器
方法1: 生成器函数
使用yield关键字代替return的函数就是生成器函数：
def simple_generator():yield 1yield 2yield 3# 使用生成器
gen = simple_generator()
print(next(gen)) # 输出: 1
print(next(gen)) # 输出: 2
print(next(gen)) # 输出: 3方法2: 生成器表达式
类似列表推导式，但使用圆括号：
# 列表推导式 - 立即计算所有值
squares_list = [x*x for x in range(5)] # [0, 1, 4, 9, 16]# 生成器表达式 - 按需生成值
squares_gen = (x*x for x in range(5))
print(next(squares_gen)) # 输出: 0
print(next(squares_gen)) # 输出: 1三、生成器的实际应用场景
3.1 处理大型文件
def read_large_file(file_path):"""逐行读取大文件，避免内存溢出"""with open(file_path, 'r') as file:for line in file:yield line.strip()# 使用生成器处理GB级文件
for line in read_large_file('huge_file.txt'):process_line(line) # 每次只处理一行，不占用大量内存3.2 生成无限序列
def fibonacci():"""生成无限斐波那契数列"""a, b = 0, 1while True:yield aa, b = b, a + b# 获取前10个斐波那契数
fib_gen = fibonacci()
first_10 = [next(fib_gen) for _ in range(10)]
print(first_10) # [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]3.3 数据管道处理
def numbers():for i in range(10):yield idef square(nums):for num in nums:yield num ** 2def even_filter(nums):for num in nums:if num % 2 == 0:yield num# 构建数据处理管道
result = even_filter(square(numbers()))
print(list(result)) # [0, 4, 16, 36, 64]四、生成器的高级用法
4.1 使用send()方法传递值
def generator_with_send():value = yield "开始"while True:value = yield f"收到: {value}"gen = generator_with_send()
print(next(gen)) # 输出: "开始"
print(gen.send("你好")) # 输出: "收到: 你好"
print(gen.send("世界")) # 输出: "收到: 世界"4.2 生成器委托（yield from）
def sub_generator():yield from range(3)yield from ['a', 'b', 'c']for item in sub_generator():print(item) # 输出: 0, 1, 2, 'a', 'b', 'c'五、生成器的特点
优势：
-
内存效率：一次只产生一个值，不占用大量内存
-
惰性计算：需要时才计算，避免不必要的运算
-
代码简洁：用简洁的语法表达复杂的迭代逻辑
-
流水线处理：可以构建高效的数据处理管道
缺点：
-
生成器只能迭代一次，迭代完后需要重新创建
-
不适合需要随机访问的场景
-
调试可能比普通函数复杂
总结
生成器是Python中强大而高效的工具，特别适合处理大数据流、构建数据处理管道和创建无限序列。通过掌握生成器，你可以编写出更加内存友好和Pythonic的代码。
)
)
