当前位置：首页 > news >正文

python精讲之迭代器和生成器

news 2025/9/13 9:36:36

在 Python 中，**迭代器（Iterator）和生成器（Generator）**都是用于处理可迭代对象的工具，它们支持惰性计算（按需生成值），能高效处理大数据流或无限序列。以下是详细解释和对比：

一、迭代器（Iterator）

核心概念

定义：
迭代器是实现了迭代器协议的对象，即包含 __iter__() 和 __next__() 方法。

- __iter__()：返回迭代器自身（通常就是 self）。
- __next__()：返回下一个元素，若无元素则抛出 StopIteration 异常。

特性：

- 惰性求值：一次只生成一个元素，节省内存。
- 单向遍历：只能前进，不能后退。
- 一次性使用：遍历结束后需重新创建才能再次迭代。

示例

# 自定义迭代器
class CountDown:def __init__(self, start):self.current = startdef __iter__(self):return selfdef __next__(self):if self.current <= 0:raise StopIterationnum = self.currentself.current -= 1return num# 使用迭代器
countdown = CountDown(3)
for num in countdown:print(num)  # 输出：3, 2, 1

二、生成器（Generator）

核心概念

定义：
生成器是一种特殊的迭代器，通过函数和 yield 关键字简化创建过程。

- 函数中使用 yield 代替 return，每次 yield 返回一个值并暂停函数状态。
- 调用生成器函数返回一个生成器对象（自动实现迭代器协议）。

特性：

- 更简洁的语法：无需手动定义 __iter__() 和 __next__()。
- 状态保存：函数局部变量和执行状态在 yield 间自动保留。
- 支持无限序列：如无限计数器。

示例

# 生成器函数
def count_down(start):current = startwhile current > 0:yield current  # 暂停并返回值current -= 1# 使用生成器
gen = count_down(3)
for num in gen:print(num)  # 输出：3, 2, 1# 生成器表达式（类似列表推导式）
gen_expr = (x for x in range(3, 0, -1))
print(list(gen_expr))  # 输出：[3, 2, 1]

三、关键区别

特性	迭代器 (Iterator)	生成器 (Generator)
实现方式	需手动定义 `__next__` 方法	用 `yield` 自动实现
语法复杂度	较复杂（需写类）	简洁（函数形式）
内存占用	低（惰性计算）	低（惰性计算）
适用场景	自定义复杂迭代逻辑	快速创建惰性序列
状态保存	需手动管理状态	自动保存函数状态

四、常见用法

1. 迭代文件内容（避免一次性加载大文件）

def read_large_file(file_path):with open(file_path, 'r') as file:for line in file:  # 文件对象本身就是迭代器yield line.strip()for line in read_large_file("data.txt"):process(line)  # 逐行处理

2. 生成无限序列

def infinite_counter():count = 0while True:yield countcount += 1gen = infinite_counter()
print(next(gen))  # 0
print(next(gen))  # 1

3. 管道式处理数据流

def filter_even(numbers):for n in numbers:if n % 2 == 0:yield ndef square(numbers):for n in numbers:yield n ** 2# 组合生成器
nums = [1, 2, 3, 4, 5]
pipeline = square(filter_even(nums))
print(list(pipeline))  # 输出：[4, 16]