[TOC] # 分析 通過列表生成式，我們可以直接創建一個列表。但是，受到內存限制，列表容量肯定是有限的。而且，創建一個包含100萬個元素的列表，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那后面絕大多數元素占用的空間都白白浪費了。 所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出后續的元素呢？這樣就不必創建完整的list，從而節省大量的空間。在Python中，這種一邊循環一邊計算的機制，稱為生成器：generator。 # 創建生成器 要創建一個generator，有很多種方法。第一種方法很簡單，只要把一個列表生成式的`[]`改成()，就創建了一個generator： ~~~ >>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630> ~~~ # next 創建L和g的區別僅在于最外層的`[]`和()，L是一個list，而g是一個generator。 我們可以直接打印出list的每一個元素，但我們怎么打印出generator的每一個元素呢？ 如果要一個一個打印出來，可以通過next()函數獲得generator的下一個返回值： ~~~ >>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) 49 >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration ~~~ generator保存的是算法，每次調用next(g)，就計算出g的下一個元素的值，直到計算到最后一個元素，沒有更多的元素時，拋出StopIteration的錯誤。 # for 當然，上面這種不斷調用next(g)實在是太變態了，正確的方法是使用for循環，因為generator也是可迭代對象： ~~~ >>> g = (x * x for x in range(10)) >>> for n in g: ... print(n) ... 0 1 4 9 16 25 36 49 64 81 ~~~ 所以，我們創建了一個generator后，基本上永遠不會調用next()，而是通過for循環來迭代它，并且不需要關心StopIteration的錯誤。 # 斐波拉契數列 generator非常強大。如果推算的算法比較復雜，用類似列表生成式的for循環無法實現的時候，還可以用函數來實現。 比如，著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數都可由前兩個數相加得到： ~~~ 1, 1, 2, 3, 5, 8, 13, 21, 34, ... ~~~ 斐波拉契數列用列表生成式寫不出來，但是，用函數把它打印出來卻很容易： ~~~ def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return 'done' ~~~ 注意，賦值語句(=號)： ~~~ a, b = b, a + b ~~~ 相當于： ~~~ t = (b, a + b) # t是一個tuple a = t[0] b = t[1] ~~~ 但不必顯式寫出臨時變量t就可以賦值。 上面的函數可以輸出斐波那契數列的前N個數： ~~~ >>> fib(6) 1 1 2 3 5 8 'done' ~~~ 仔細觀察，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出后續任意的元素，這種邏輯其實非常類似generator # yield 上面的函數和generator僅一步之遙。要把fib函數變成generator，只需要把print(b)改為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 //py沒有n++這些,用n=n+1代替 n = n + 1 return 'done' ~~~ 這就是定義generator的另一種方法。如果一個函數定義中包含yield關鍵字，那么這個函數就不再是一個普通函數，而是一個generator： ~~~ >>> f = fib(6) >>> f <generator object fib at 0x104feaaa0> ~~~ 這里，最難理解的就是generator和函數的執行流程不一樣。函數是順序執行，遇到return語句或者最后一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。 舉個簡單的例子，定義一個generator，依次返回數字1，3，5： ~~~ def odd(): print('step 1') yield 1 print('step 2') yield(3) print('step 3') yield(5) ~~~ 調用該generator時，首先要生成一個generator對象，然后用next()函數不斷獲得下一個返回值： ~~~ >>> o = odd() >>> next(o) step 1 1 >>> next(o) step 2 3 >>> next(o) step 3 5 >>> next(o) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration ~~~ 可以看到，odd不是普通函數，而是generator，在執行過程中，遇到yield就中斷，下次又繼續執行。執行3次yield后，已經沒有yield可以執行了，所以，第4次調用next(o)就報錯。 回到fib的例子，我們在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。 同樣的，把函數改成generator后，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環來迭代： ~~~ >>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8 ~~~ 但是用for循環調用generator時，發現拿不到generator的return語句的返回值。如果想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在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 ~~~