前言

在前面的篇章中，我们学习了迭代器，这是一个很好的工具，特别是当你需要处理大型数据集时。然而，在Python中构建自己的迭代器有点麻烦和耗时。你必须定义一个实现迭代器协议(__iter__()和__next__()方法)的新类。在这个类中，需要自己管理变量的内部状态并更新它们。此外，当__next__()方法中没有要返回的值时，需要抛出StopIteration异常。

有没有更好的实现方式呢？答案是肯定的！这就是Python的生成器（Generator）解决方案。下面就来盘盘它。

各位朋友，记得点赞+转发，分享给更多的Python爱好者。

何为生成器？

为了更高效的构建自己的迭代器，在Python中对此有一个优雅的解决方案，这是很值得高兴的。Python所提供的生成器（Generator）是用来帮助我们轻松创建迭代器。Generator允许你声明一个行为类似迭代器的函数，也就是说，它可以在for循环中使用。简单言之，生成器（Generator）就是个返回迭代器对象的函数。因此，这也是创建迭代器的简单方法。在创建迭代器时，你不需要考虑所需的所有工作（如迭代协议和内部状等），因为Generator将处理所有这些工作。

接下来，我们更进一步，轻松学懂Python中生成器是如何工作的以及如何定义它们。

定义生成器

如前一节所述，生成器是Python中一种特殊类型的函数。此函数不返回单个值，而是返回一个迭代器对象。在生成器函数中，返回值使用yield语句而不是return语句。下面定义一个简单的生成器函数，代码清单如下:

在上述清单中，我们定义一个生成器函数。该函数执行yield语句而不是return关键字。yield语句使这个函数成为生成器。当我们调用这个函数时，它将返回(产生)一个迭代器对象。我们再来看看生成器的调用:

调用生成器，通常就跟创建对象类似，调用生成器函数，并赋给变量。

运行程序输出结果如下：

Yielding First Item

A

Yielding Second Item

B

Yielding Last Item

C

在应用生成器代码中，我们调用firstGenerator()函数，它是一个生成器，并返回一个迭代器对象。我们将这个迭代器命名为myIter。然后在这个迭代器对象上调用next()函数。在每次next()调用中，迭代器按各自的顺序执行yield语句并返回一个项。

根据规则，此生成器函数不应该包含return关键字。因为如果它包含，那么return语句将终止此函数，也就无从满足迭代器的要求了。

现在，让我们通过for循环的帮助来定义一个更具有实际意义的生成器。在本例中，我们将定义一个生成器，它将连续跟踪生成从0开始的数字序列，直到给定的最大限制。

代码清单如下：

运行程序输出结果类似如下：

在上述清单中，我们定义一个生成器函数，它生成从0到给定数字的整数。正如所见，yield语句在for循环中。请注意，n的值自动存储在连续的next()调用中。

有一点需要注意，在定义生成器时，返回值必须是yield语句，并不是说生成器不能出现return语句。只是通常把返回非None值return语句放在生成器最后，为StopIteration 异常添加附加信息，以便调用者处理。示例如下：

下面是未进行异常处理时运行程序输出结果类似如下：

99

100

Traceback (most recent call last):

File "……", line 11, in <module>

print(next(g))

StopIteration: 不支持大于100的数字生成！

若对程序进行了异常捕捉处理（try-except），显示结果更简明，自己运行试试看。

生成器与普通函数

如果一个函数至少包含一个yield语句，那么它就是生成器函数。如果需要，还可以包含其他yield或return语句。yield和return关键字都将从函数中返回一些东西。

return和yield关键字之间的差异对于生成器来说非常重要。return语句会完全终止函数，而yield语句会暂停函数，保存它的所有状态，然后在后续的调用中继续执行。

我们调用生成器函数的方式和调用普通函数一样。但在执行过程中，生成器在遇到yield关键字时暂停。它将迭代器流的当前值发送到调用环境，并等待下一次调用。同时，它在内部保存局部变量及其状态。

以下是生成器函数与普通函数不同的关键点:

ü Generator函数返回(生成)一个迭代器对象。你无需担心显式地创建此迭代器对象，yield关键字为你做了这个工作。

• ü Generator函数必须包含至少一个yield语句。如果需要，它可能包括多个yield关键字。
• ü Generator函数内部实现迭代器协议(iter()和next()方法)。
• ü Generator函数自动保存局部变量及其状态。
• ü Generator函数在yield关键字处暂停执行，并将控制权传递给调用者。
• ü Generator函数在迭代器流没有返回值时自动引发StopIteration异常。

我们用一个简单的例子来演示普通函数和生成器函数之间的区别。在这个例子中，我们要计算前n个正整数的和。为此，我们将定义一个函数，该函数给出前n个正数的列表。我们将以两种方式实现这个函数，一个普通函数和一个生成器函数。

普通函数代码如下：

运行程序输出结果类似如下：

49999995000000

Elapsed Time in seconds: 1.2067763805389404

在代码清单中，我们定义一个普通函数，它返回前n个正整数的列表。当我们调用这个函数时，它需要一段时间来完成执行，因为它创建的列表非常庞大。它还使用了大量内存来完成此任务。

现在让我们为相同的操作定义一个生成器函数来实现，代码清单如下:

运行程序结果类似如下：

49999995000000

（生成器模式）Elapsed Time in seconds: 1.0013225078582764

正如在生成器清单中所见，生成器在更短的时间内完成相同的任务，并且使用更少的内存资源。因为生成器是一个一个地生成项，而不是返回完整的列表。

性能改进的主要原因(当我们使用生成器时)是值的惰性生成。这种按需值生成的方式，会降低内存使用量。生成器的另一个优点是，你不需要等到所有元素都生成后才开始使用它们。

生成器表达式

有时候，我们需要简单的生成器来执行代码中相对简单的任务。这正是生成器表达式（Generator Expression）用武之地。可以使用生成器表达式轻松地动态创建简单的生成器。

生成器表达式类似于Python中的lambda函数。但要记住，lambda是匿名函数，它允许我们动态地创建单行函数。就像lambda函数一样，生成器表达式创建的是匿名生成器函数。

生成器表达式的语法看起来像一个列表推导式。不同之处在于，我们在生成器表达式中使用圆括号而不是方括号。请看示例:

运行结果类似如下：

在上述清单中，我们在生成器表达式的帮助下定义了一个简单的生成器。下面是语法:cubes_gen = (i**3 for i in nums)。你可以在输出中看到生成器对象。正如所已经知的，为了能够在生成器中获取项，我们要么显式调用next()方法，要么使用for循环遍历生成器。接下来就打印cubes_gen对象中的项:

运行程序，遍历出的元素项结果是否和列表推导式一样。

我们再看一个例子。来定义一个生成器，将字符串中的字母转换为大写字母。然后调用next()方法打印前两个字母。代码示例如下：

运行输出结果如下：

生成器好处

生成器是非常棒的工具，特别是当需要在相对有限的内存中处理大型数据时。以下是在Python中使用生成器的一些主要好处:

1）内存效率:

假设有一个返回结果非常大序列的普通函数。例如，一个包含数百万项的列表。你必须等待这个函数完成所有的执行，并将整个列表返回给你。就时间和内存资源而言，这显然是低效的。另一方面，如果你使用生成器函数，它将一个一个地返回项，你将有机会继续执行下一行代码。而不需要等待函数执行列表中的所有项。因为生成器一次只给你一项。

2）延迟计算:

生成器提供了延迟(惰性)计算求值的功能。延迟计算是在真正需要值时计算值，而不是在实例化时计算值。假设你有一个大数据集要计算，延迟计算允许你在整个数据集仍在计算生成中可立即开始使用数据。因为如果使用生成器，则不需要整个数据集。

3）易实现和可读性:

生成器非常容易实现，并且提供了好的代码可读性。记住，如果你使用生成器，你不需要担心__iter__()和__next__()方法。你所需要的只是函数中一个简单的yield语句。

4）处理无限流:

当你需要表示无限的数据流时，生成器是非常棒的工具。例如，一个无限计数器。理论上，你不能在内存中存储无限流的，因为你无法确定存储无限流需要多少的内存大小。这是生成器真正发挥作用的地方，因为它一次只产生一项，它可以表示无限的数据流。它不需要将所有的数据流存储在内存中。

本文小结

主要介绍了生成器相关知识，用于更好的自定义迭代器。内容包括何为生成器？如何自定义生成器以及和普通函数的关键区别？如何实现生成器表达式？并总结了生成器的有点。通过这篇文章，相信你能更轻松高效的掌握Python常规的生成器方方面面。

最后，点个赞，关注一下，转发分享出去吧，让更多的Python爱好者get到 ^_^