人生苦短，我选Python 前文传送门 小白学 Python（1）：开篇 小白学 Python（2）：基础数据类型（上） 小白学 Python（3）：基础数据类型（下） 小白学 Python（4）：变量基础操作 小白学 Python（5）：基础运算符（上） 小白学 Python（6）：基础运算符（下） 小白学 Python（7）：基础流程控制（上） 小白学 Python（8）：基础流程控制（下） 小白学 Python（9）：基础数据结构（列表）（上） 小白学 Python（10）：基础数据结构（列表）（下） 小白学 Python（11）：基础数据结构（元组） 小白学 Python（12）：基础数据结构（字典）（上） 小白学 Python（13）：基础数据结构（字典）（下） 小白学 Python（14）：基础数据结构（集合）（上） 小白学 Python（15）：基础数据结构（集合）（下） 小白学 Python（16）：基础数据类型（函数）（上） 小白学 Python（17）：基础数据类型（函数）（下） 小白学 Python（18）：基础文件操作 小白学 Python（18）：基础文件操作 小白学 Python（19）：基础异常处理 小白学 Python（20）：迭代器基础 生成器 我们前面聊过了为什么要使用迭代器，各位同学应该还有印象吧（说没有的就太过分了）。 列表太大的话会占用过大的内存，可以使用迭代器，只拿出需要使用的部分。 生成器的设计原则和迭代器是相似的，如果需要一个非常大的集合，不会将元素全部都放在这个集合中，而是将元素保存成生成器的状态，每次迭代的时候返回一个值。 比如我们要生成一个列表，可以采用如下方式： list1 = [x*x for x in range(10)] print(list1) 结果如下： [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] 如果我们生成的列表非常的巨大，比如： list2 = [x*x for x in range(1000000000000000000000000)] 结果如下： Traceback (most recent call last): File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 3, in list2 = [x*x for x in range(1000000000000000000000000)] File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 3, in list2 = [x*x for x in range(1000000000000000000000000)] MemoryError 报错了，报错信息提示我们存储异常，并且整个程序运行了相当长一段时间。友情提醒，这么大的列表创建请慎重，如果电脑配置不够很有可能会将电脑卡死。 如果我们使用生成器就会非常方便了，而且执行速度嗖嗖的。 generator1 = (x*x for x in range(1000000000000000000000000)) print(generator1) print(type(generator1)) 结果如下： at 0x0000014383E85B48> 那么，我们使用了生成器以后，怎么读取生成器生成的数据呢？ 当然是和之前的迭代器一样的拉，使用 next() 函数： generator2 = (x*x for x in range(3)) print(next(generator2)) print(next(generator2)) print(next(generator2)) print(next(generator2)) 结果如下： Traceback (most recent call last): File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 14, in print(next(generator2)) StopIteration 直到最后，抛出 StopIteration 异常。 但是，这种使用方法我们并不知道什么时候会迭代结束，所以我们可以使用 for 循环来获取每生成器生成的具体的元素，并且使用 for 循环同时也无需关心最后的 StopIteration 异常。 generator3 = (x*x for x in range(5)) for index in generator3: print(index) 结果如下： 0 1 4 9 16 generator 非常的强大，本质上， generator 并不会取存储我们的具体元素，它存储是推算的算法，通过算法来推算出下一个值。 如果推算的算法比较复杂，用类似列表生成式的 for 循环无法实现的时候，还可以用函数来实现。 比如我们定义一个函数，emmmmmm，还是简单点吧，大家领会精神： def print_a(max): i = 0 while i < max: i += 1 yield i a = print_a(10) print(a) print(type(a)) 结果如下： 这里使用到了关键字 yield ， yield 和 return 非常的相似，都可以返回值，但是不同的是 yield 不会结束函数。 我们调用几次这个用函数创建的生成器： print(next(a)) print(next(a)) print(next(a)) print(next(a)) 结果如下： 1 2 3 4 可以看到，当我们使用 next() 对生成器进行一次操作的时候，会返回一次循环的值，在 yield 这里结束本次的运行。但是在下一次执行 next() 的时候，会接着上次的断点接着运行。直到下一个 yield ，并且不停的循环往复，直到运行至生成器的最后。 还有一种与 next() 等价的方式，直接看示例代码吧： print(a.__next__()) print(a.__next__()) 结果如下： 5 6 接下来要介绍的这个方法就更厉害了，不仅能迭代，还能给函数再传一个值回去： def print_b(max): i = 0 while i < max: i += 1 args = yield i print('传入参数为：' + args) b = print_b(20) print(next(b)) print(b.send('Python')) 结果如下： 1 传入参数为：Python 2 上面讲了这么多，可能各位还没想到生成器能有什么具体的作用吧，这里我来提一个——协程。 在介绍什么是协程之前先介绍下什么是多线程，就是在同一个时间内可以执行多个程序，简单理解就是你平时可能很经常的一边玩手机一边听音乐（毫无违和感）。 协程更贴切的解释是流水线，比如某件事情必须 A 先做一步， B 再做一步，并且这两件事情看起来要是同时进行的。 def print_c(): while True: print('执行 A ') yield None def print_d(): while True: print('执行 B ') yield None c = print_c() d = print_d() while True: c.__next__() d.__next__() 结果如下： ... 执行 A 执行 B 执行 A 执行 B 执行 A 执行 B 执行 A 执行 B 执行 A 执行 B ... 因为 while 条件设置的是永真，所以这个循环是不会停下来的。 这里我们定义了两个生成器，并且在一个循环中往复的调用这两个生成器，这样看起来就是两个任务在同时执行。 最后的协程可能理解起来稍有难度，有问题可以在公众号后台问我哦~~~ 示例代码 本系列的所有代码小编都会放在代码管理仓库 Github 和 Gitee 上，方便大家取用。 示例代码-Github 示例代码-Gitee 扫描二维码关注「极客挖掘机」公众号！ 作者：极客挖掘机 定期发表作者的思考：技术、产品、运营、自我提升等。 https://www.cnblogs.com/babycomeon/p/11854666.html