10分钟了解Python黑魔法 Yield、Iterator、Generator
今天，我们来讨论Python的yield、Iterator和generator，它们可以在许多教程中看到，但总是引起一些混淆。
今天，我们来讨论Python的yield、Iterator和generator，它们可以在许多教程中看到，但总是引起一些混淆。
就像decorators一样，这三个概念是紧密联系在一起的。例如，如果你想知道什么是yield，你必须首先了解什么是generator。但在理解generator之前，你又必须理解iterator是什么，但在理解iterator之前，您必须要知道iterable对象是什么。他们的关系如下图：
Iterables 可迭代的
可迭代是指能够通过迭代的方法遍历的对象，比如列表、字符串、元组、字典、集合等等。简单的例子：
mylist = [1, 2, 3]
for i in mylist:
print(i)可迭代对象如何工作？
让我们看看Python解释器在遇到迭代操作时如何处理迭代，例如for ... in x
- 调用 iter(x) 函数
- 检查对象是否实现了 _iter__ 方法，如果实现了，则调用它以获取迭代器；
- 如果未实现 _iter__ 方法，但实现了_getitem__ 方法，Python将创建一个迭代器并尝试按顺序获取元素（从索引0开始）；
- 如果两个方法都未实现，将抛出TypeError异常，指示无法迭代该对象。
因此具有 __iter__ 方法或 __getitem__方法的对象通常称为可迭代对象。
如何判断一个对象是否可迭代？
- 方法一：使用dir函数，检查对象是否实现了__iter__ 或者 __getitem__方法。
mylist = [1, 2, 3]
mylistMethod = dir(mylist)
print(mylistMethod) #查看mylist的方法
print('__iter__' in dir(mylist) or '__getitem__' in dir(mylist)) # True- 方法二：使用isinstance函数，检查对象是否是Iterable类型。
from collections import Iterable
mylist = [1, 2, 3]
print(isinstance(mylist, Iterable)) # TrueIterator 迭代器
迭代器是一个包含可数数量值的对象。它可以迭代，这意味着您可以遍历所有值。让我们看一个迭代器示例：
for i in range(5):
print(i) # 0 1 2 3 4像这样，一个个打印元素的过程就叫可迭代的，这个过程也是我们日常代码编写中接触最多的操作。
简单来说，带有next()方法的可迭代对象就是一个迭代器，或者说一个可迭代对象和一个迭代器的关系是：Python从一个可迭代对象中获取一个迭代器。具体关系如下图：
所以上面提到的列表、字符串等不是迭代器。但是，您可以使用Python内置 iter()函数来获取它们的迭代器对象。让我们使用迭代器模式来重写前面的例子：
mylist = [1,2,3]
it = iter(mylist) # 获取迭代器对象
while True:
try:
print(next(it))
except StopIteration:
print("Stop iteration!")
break在上面的代码中，我们首先使用iterable对象mylist来构造迭代器it，并不断调用迭代器上的next()函数来获取下一个元素。如果没有字符，迭代器将抛出 StopIteration 异常并退出循环。
Generator 生成器
Python 提供了一个生成器来创建迭代器函数。生成器是一种特殊类型的函数，它不返回单个值，而是返回一个包含一系列值的迭代器对象。在生成器函数中，使用 yield 语句而不是 return 语句。
现在我们已经知道for循环背后的机制了，但是如果数据量太大，比如for i in range(1000000)，使用for循环将所有的值存储在内存中不仅占用大量的存储空间 但是如果我们只需要访问前几个元素，空间就浪费了。在这种情况下，我们可以使用 generator 。
生成器的思路是，我们不需要一次性把这个列表全部创建出来，只需要记住它的创建规则，然后在需要用到的时候，再一次次的计算和创建。我们来看一个例子：
my_generator = (x*x for x in range(10))
for i in my_generator:
print(i) # 0 1 4 9 16 25 36 49 64 81my_generator 是一个生成器，它的每一个元素都是一个生成器对象。我们可以使用 next()函数来获取下一个元素。
Yield 产生器
简单来说，你可以把yield当成return，但它返回的是一个生成器。记住，刚开始学习的时候不需要了解这个yield是什么，但是一定要了解它的运行机制！让我们看一下下面的代码片段：
def test():
print("First")
yield 1
print("Second")
yield 2
print("Third")
yield 3
my_generator = test() # 创建生成器
print(type(my_generator)) # 我们可以在这里看到如果一个函数使用 yield 作为返回值，那么它就变成了一个生成器函数。与普通函数不同，生成器函数被调用后，函数体中的代码不会立即执行（执行my_generator=test()后不打印任何值），而是返回一个生成器！正如我们前面提到的：generator 是迭代器，而 yield 可以被视为 return ，不难猜测下面代码的结果：
def test():
print("First")
yield 1
print("Second")
yield 2
print("Third")
yield 3
for item in test():
print(item)
# 输出：
"""
First
1
Second
2
Third
3
"""next 函数是如何运行的？
def test():
print("First")
yield 1
print("Second")
yield 2
print("Third")
yield 3
my_generator = test() # 创建生成器
a = next(my_generator) # First
print(a) # 1
b = next(my_generator) # Second
print(b) #
c = next(my_generator) # Third
print(c) # 3
d = next(my_generator) # StopIteration
print(d) # error每次调用next(my_generator)，只跑到yield位置就停止，下次再跑，从上次结束的位置开始！并且生成器的长度取决于在函数中定义 yield 的次数。看起来也很好理解呢。
如果理解了上面的 yield 函数示例，让我们继续看一个更复杂的示例，该生成器可以接受参数。
def simple_gen(a):
print('-> Started: a =', a)
b = yield a
print('-> Received: b =', b)
c = yield a + b
print('-> Received: c =', c)
gen = simple_gen(14)
next(gen) # -> Started: a = 14
next(gen) # ？
next(gen) # ？运行结果如图：
发生了什么？？从第一次 next(gen) 调用开始，它在 yield a 处停止，然后当您再次调用 next(gen) 时，b 实际上是 None 值，这导致了异常。
b 为什么是 None 值？因为我们在 yield a 处没有接收到任何值，所以 b 就是 None 值。要想接收值，
要继续，您需要使用 send() 函数：生成器发送（值）恢复执行并将值“发送”到生成器函数中。value 参数成为当前 yield 表达式的结果。send() 方法返回生成器生成的下一个值，或者如果生成器退出而没有生成另一个值则引发 StopIteration。
怎么理解send() 函数？一个带参数的 next()，接收参数，执行yield，然后返回值。
def simple_gen(a):
print('-> Started: a =', a)
b = yield a
print('-> Received: b =', b)
c = yield a + b
print('-> Received: c =', c)
gen = simple_gen(14)
next(gen) # -> Started: a = 14
gen.send(15) # Received: b = 15 # send 15 to generator，并执行下一步 send包含next的yield总结
小思考：
- yield 和 return 的区别，你理解了么？
- yield, generator 和 iterator 的区别和联系，你理解了么？