大家好。
这是「人人都能看懂的 Python 进阶」系列。
今天我们将讨论能在很多教程中看到,但又常常搞的头晕转向的迭代器、生成器,以及让新手经常困惑的yield
。
事实上,和装饰器一样,这三个概念也是绑在一起的,例如你想知道 「什么是yield
」,那在这之前你必须了解什么是生成器。不过在了解生成器之前,又必须了解什么是迭代器,但在搞明白迭代器之前,你总要知道什么是可迭代对象吧。
下面就让我们按照这个思路,来一点一点前进吧。
01
迭代器
在介绍一切之前,先说一下最简单的迭代
>>> for i in range(3):
... print(i)
0
1
2
就像这样,逐个打印元素的过程就是迭代,这个过程也是我们日常写代码接触到最多的操作。
让我们继续,什么是可迭代对象?
就像上面代码一样「能够执行迭代(遍历所有元素)的操作的对象」就是可迭代对象,例如列表
>>> mylist = [1, 2, 3]
>>> for i in mylist:
... print(i)
1
2
3
就像列表一样,可以使用 for 循环进行迭代的对象,就是可迭代对象,我们常用的字符串、列表、文件等都是可迭代对象。
现在相信你应该对「可迭代对象」这个名词有一个大致的了解,为了加深理解,我们继续研究为什么一个对象是可以迭代的!
让我们看看当Python解释器遇到迭代操作时,例如for ··· in x
是怎么处理的
iter(x)
函数。__iter__
方法,如果实现了就调用它,获取 一个迭代器。__iter__
方法,但是实现了 __getitem__
方法, Python 会创建一个迭代器,尝试按顺序(从索引 0 开始)获取元素。TypeError
异常,提示该对象不可以迭代所以「含有 __iter__()
方法或 __getitem__()
方法的对象称之为可迭代对象」
让我们来验证上一节定义的list
是否有这两个方法
答案是肯定的,当然在Python中有专门的方法去检查一个对象是否可迭代,例如isinstance()
>>> from collections import Iterable
>>> isinstance(mylist, Iterable)
True
现在来说说相对来说更加抽象一点的迭代器。
简单来说拥有next()
方法的可迭代对象就是迭代器,或者说可迭代的对象和迭代器之间的关系是:Python 从可迭代的对象 中获取迭代器。
所以上面说到的列表、元祖、字符串等都不是迭代器,但是,可以使用 Python 内置的 iter()
函数获得它们的迭代器对象,让我们使用迭代器的模式改写之前的案例
>>> mylist = [1,2,3]
>>> it = iter(mylist) #构建迭代器
>>> while True:
try:
print(next(it))
except StopIteration:
break
1
2
3
上面的代码中先使用可迭代对象构建迭代器 it
,不断在迭代器上调用 next
函数,获取下一个元素,如果没有字符了,迭代器会抛出 StopIteration
异常,此时退出循环。
其实看到这里,很多人都会和我一样想,迭代器它到底有什么用或者说在什么场景下我应该使用迭代器呢?
实际上很少有人会将好好的 for 循环改写成迭代器形式,大多数教程也是用斐波那契数列来举例,我们学习这些方法背后的原理一方面能更好的理解 Python,并且迭代器也是下面我们要说的生成器的重要基础。
02
生成器
现在我们已经知道了for循环背后的机制,但如果数据量太大时,比如for i in range(1000000)
,使用for循环将所有值存储在内存不仅占用很大的存储空间,并且如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。
而生成器的想法就是,我们不需要一次性把这个列表创建出来,只需要记住它的建立规则,之后需要使用的时候一遍计算一遍创建
创建生成器的方法很简单,只需要将列表推导式中的[]
换成()
就行了,例如
>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
... print(i)
0
1
4
但是我们不能多次执行for i in mygenerator
,因为生成器只能使用一次!
另外要强调的是「生成器也是特殊的迭代器」因此它拥有上面几节介绍的迭代器的相关性质!
最后来说说让任何多人头疼的 yield
语法。
用通俗的话去说,可以将它看成return
,只不过它返回的是一个生成器,记住在初学时不需要想明白这个yield到底是什么,但务必了解它的运行机制!
下面让我们看一段代码
>>> def f123():
... print("第一次运行")
... yield 1
... print("第二次运行")
... yield 2
... print("第三次运行")
... yield 3
>>> gen = f123()
>>> gen
<generator object f123 at 0x7fcd301274a0>
可以看到,如果一个函数,使用yield关键词返回值,那么它就是一个生成器函数(f123)。
与普通函数不同,生成器函数被调用后,其函数体内的代码并不会立即执行(执行gen = f123()
后没有打印出任何值),而是返回一个生成器(gen
)!
上面说到,生成器也是迭代器,且yield
就当作return
看,所以下面的代码运行结果是可以轻松猜到的
>>> for item in gen:
... print(item)
第一次运行
1
第二次运行
2
第三次运行
3
重点来了,如果使用 next(gen)
会发生什么?
>>> next(gen)
第一次运行
1
>>> next(gen)
第二次运行
2
>>> next(gen)
第三次运行
3
>>> next(gen)
Traceback (most recent call last)
<ipython-input-17-6e72e47198db> in <module>
----> 1 next(gen)
StopIteration:
我们可以看到, 每次调用next(gen)
都只运行到yield
位置停止,下一次运行时从上一次结束的位置开始! 并且该生成器的长度取决于函数中yield
出现的次数。
在这里想多插一句,虽然我们将yield
当成return
看,上面的打印出来的1、2、3
我们应该将它称为生成值,而不是返回值,这不是某个函数返回的值,而是生成器生成的!希望大家可以再去体会一下!
好了,如果你看明白了上面这个最简单的 yield
函数示例,我们接着看下一个例子,生成器也可以接受参数。
在生成器函数中,如果将 yield
放在左边,就可以使用 send
方法传递参数,注意看下面的案例
def simple_coro2(a):
print('-> Started: a =', a)
b = yield a
print('-> Received: b =', b)
c = yield a + b
print('-> Received: c =', c)
gen = simple_gen(14)
这里我们依旧是定义了一个生成器函数,思考一下执行next(gen)会发生什么
>>> next(gen)
-> Started: a = 14
14
上一个例子说到「每次调用next(gen)
都只运行到yield
位置停止,下一次运行时从上一次结束的位置开始!」
所以现在并没有执行b = yield a
,仅是将左边yield a
执行,生成了a并打印 -> Started: a = 14
消息,然后产出 a 的值,并且暂停,等待为 b 赋值。之后可以使用gen.send(28)
来传递28给b
>>> gen.send(28)
-> Received: b = 28
42
依旧是执行到yield a + b
结束,并等待等待为 c 赋值。现在如果我们给c赋值会发生什么?
>>> gen.send(99)
-> Received: c = 99
Traceback (most recent call last)
<ipython-input-51-77455e0ba24f> in <module>
----> 1 gen.send(99)
StopIteration:
可以看到在把数字 99 发给暂停的生成器;计算 yield
表达式,得到 99,然后把 那个数绑定给 c。打印 -> Received: c = 99
消息然后终止, 导致生成器对象抛出 StopIteration
异常。
现在可以通过下面一张流程图来加深上面案例的过程,可能不太适应这种 = 右边的代码在赋值之前执行并暂停的形式,但是必须要理解,这是掌握 yield 最关键的知识!
好了,以上就是有关 Python 中迭代器、生成器的简单入门讲解,如果想要进一步研究我强烈建议你阅读《流畅的Python》,我们下一篇系列文章再见!
-END-