# 生成器(Generators) # 生成器(Generators) 生成器也是一種迭代器，但是你只能對其迭代一次。這是因為他們并沒有把所有的值存在內存中，而是在運行時生成值。你通過遍歷來使用它們，要么用一個“for”循環，要么將它們傳遞給任意可以進行迭代的函數和結構。大多數時候生成器是以函數來實現的。然而，它們并不返回一個值，而是`yield`(暫且譯作“生出”)一個值。這里有個生成器函數的簡單例子： ~~~ def generator_function(): for i in range(10): yield i for item in generator_function(): print(item) # Output: 0 # 1 # 2 # 3 # 4 # 5 # 6 # 7 # 8 # 9 ~~~ 這個案例并不是非常實用。生成器最佳應用場景是：你不想同一時間將所有計算出來的大量結果集分配到內存當中，特別是結果集里還包含循環。 > 譯者注：這樣做會消耗大量資源 許多Python 2里的標準庫函數都會返回列表，而Python 3都修改成了返回生成器，因為生成器占用更少的資源。 下面是一個計算斐波那契數列的生成器： ~~~ # generator version def fibon(n): a = b = 1 for i in range(n): yield a a, b = b, a + b Now we can use it like this: for x in fibon(1000000): print(x) ~~~ 用這種方式，我們可以不用擔心它會使用大量資源。然而，之前如果我們這樣來實現的話： ~~~ def fibon(n): a = b = 1 result = [] for i in range(n): result.append(a) a, b = b, a + b return result ~~~ 這也許會在計算很大的輸入參數時，用盡所有的資源。我們已經討論過生成器使用一次迭代，但我們并沒有測試過。在測試前你需要再知道一個Python內置函數：`next()`。它允許我們獲取一個序列的下一個元素。那我們來驗證下我們的理解： ~~~ def generator_function(): for i in range(3): yield i gen = generator_function() print(next(gen)) # Output: 0 print(next(gen)) # Output: 1 print(next(gen)) # Output: 2 print(next(gen)) # Output: Traceback (most recent call last): # File "<stdin>", line 1, in <module> # StopIteration ~~~ 我們可以看到，在`yield`掉所有的值后，`next()`觸發了一個`StopIteration`的異常。基本上這個異常告訴我們，所有的值都已經被`yield`完了。你也許會奇怪，為什么我們在使用`for`循環時沒有這個異常呢？啊哈，答案很簡單。`for`循環會自動捕捉到這個異常并停止調用`next()`。你知不知道Python中一些內置數據類型也支持迭代哦？我們這就去看看： ~~~ my_string = "Yasoob" next(my_string) # Output: Traceback (most recent call last): # File "<stdin>", line 1, in <module> # TypeError: str object is not an iterator ~~~ 好吧，這不是我們預期的。這個異常說那個`str`對象不是一個迭代器。對，就是這樣！它是一個可迭代對象，而不是一個迭代器。這意味著它支持迭代，但我們不能直接對其進行迭代操作。那我們怎樣才能對它實施迭代呢？是時候學習下另一個內置函數，`iter`。它將根據一個可迭代對象返回一個迭代器對象。這里是我們如何使用它： ~~~ my_string = "Yasoob" my_iter = iter(my_string) next(my_iter) # Output: 'Y' ~~~ 現在好多啦。我肯定你已經愛上了學習生成器。一定要記住，想要完全掌握這個概念，你只有使用它。確保你按照這個模式，并在生成器對你有意義的任何時候都使用它。你絕對不會失望的！