## 列表生成式 ~~~ a = [i+1 for i in range(10)] ~~~ 　　通過列表生成式，我們可以直接快速的創建一個列表。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？這樣就可以直接創建一個對象而不必創建完整的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。 ## 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：  　　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：  　　我們講過，generator保存的是算法，每次調用`next()`，就計算出a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。 　　當然，也使用`for`循環，因為generator也是可迭代對象：  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' ~~~ ~~~ >>> fib(10) 1 1 2 3 5 8 13 21 34 55 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。 　　也就是說，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 n += 1 return 'done' ~~~ ~~~ >>> f = fib(6) >>> f <generator object fib at 0x104feaaa0> ~~~ 　　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。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。同樣的我們也可以用`next()方法`來獲取下一個返回值，或者也可以直接使用`for`循環來迭代。 　　PS：用`for`循環調用generator時，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，返回值會包含在`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 ~~~ ## 可迭代對象 我們已經知道，可以直接作用于`for`循環的數據類型有以下幾種： 　　一類是集合數據類型，如`list`、`tuple`、`dict`、`set`、`str`等； 　　一類是`generator`，包括生成器和帶`yield`的generator function。 這些可以直接作用于`for`循環的對象統稱為可迭代對象：`Iterable`。可以使用`isinstance()`判斷一個對象是否是`Iterable`對象： ~~~ >>> 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`循環，還可以被`next()`函數不斷調用并返回下一個值，直到最后拋出`StopIteration`錯誤表示無法繼續返回下一個值了。 **所以，可以被`next()`函數調用并不斷返回下一個值的對象稱為迭代器：`Iterator`**。 ## 迭代器 　　迭代器是訪問集合元素的一種方式。迭代器對象從集合的第一個元素開始訪問，直到所有的元素被訪問完結束。迭代器只能往前不會后退，不過這也沒什么，因為人們很少在迭代途中往后退。另外，迭代器的一大優點是不要求事先準備好整個迭代過程中所有的元素。迭代器僅僅在迭代到某個元素時才計算該元素，而在這之前或之后，元素可以不存在或者被銷毀。這個特點使得它特別適合用于遍歷一些巨大的或是無限的集合，比如幾個G的文件 特點： 1. 訪問者不需要關心迭代器內部的結構，僅需通過next()方法不斷去取下一個內容 2. 不能隨機訪問集合中的某個值 ，只能從頭到尾依次訪問 3. 訪問到一半時不能往回退 4. 便于循環比較大的數據集合，節省內存 可以使用`isinstance()`判斷一個對象是否是`Iterator`對象： ~~~ >>> 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`對象，但`list`、`dict`、`str`雖然是`Iterable`，卻不是`Iterator`。 把`list`、`dict`、`str`等`Iterable`變成`Iterator`可以使用`iter()`函數： ~~~ >>> isinstance(iter([]), Iterator) True >>> isinstance(iter('abc'), Iterator) True ~~~ 你可能會問，為什么`list`、`dict`、`str`等數據類型不是`Iterator`？ 這是因為Python的`Iterator`對象表示的是一個數據流，Iterator對象可以被`next()`函數調用并不斷返回下一個數據，直到沒有數據時拋出`StopIteration`錯誤。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過`next()`函數實現按需計算下一個數據，所以`Iterator`的計算是惰性的，只有在需要返回下一個數據時它才會計算。 `Iterator`甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。 ## 小結   * 凡是可作用于`for`循環的對象都是`Iterable`類型； * 凡是可作用于`next()`函數的對象都是`Iterator`類型； * 迭代器對象一定是可迭代對象，但是可迭代對象不一定是迭代器對象； * 生成器對象一定是迭代器對象，但是迭代器對象不一定是生成器對象； * 集合數據類型如`list`、`dict`、`str`等是`Iterable`但不是`Iterator`，不過可以通過`iter()`函數獲得一個`Iterator`對象；