七、Python高级特性：迭代器、生成器与装饰器

🔄 ​一、迭代器协议：可迭代对象的本质​

“迭代器是Python序列化访问的通用接口——将复杂的遍历逻辑简化为统一的next()调用。”

​1. 可迭代对象 vs 迭代器​

​类型​	​特征​	​核心方法​
可迭代对象	可用for循环遍历	__iter__()
迭代器	通过next()逐步获取数据	__iter__() + __next__()

# 自定义迭代器：生成斐波那契数列
class Fibonacci:def __init__(self, n):self.n = nself.a, self.b = 0, 1self.count = 0def __iter__(self):return selfdef __next__(self):if self.count >= self.n:raise StopIteration  # 终止迭代value = self.aself.a, self.b = self.b, self.a + self.bself.count += 1return value# 使用迭代器
fib = Fibonacci(5)
for num in fib:print(num)  # 输出：0, 1, 1, 2, 3

​2. 内置迭代工具​

• ​**iter()与next()函数**​：

  numbers = [1, 2, 3]
  it = iter(numbers)
  print(next(it))  # 1
  print(next(it))  # 2

• ​**enumerate()索引迭代**​：

  for idx, char in enumerate("Python"):print(f"{idx}:{char}")  # 0:P, 1:y...

• ​**zip()并行迭代**​：

  names = ["Alice", "Bob"]
  scores = [85, 92]
  for name, score in zip(names, scores):print(f"{name}: {score}")

---

🌟 ​二、生成器：惰性计算的魔法​

​1. 生成器函数（yield）​​

def countdown(n):while n > 0:yield n  # 暂停并返回当前值n -= 1gen = countdown(3)
print(next(gen))  # 3
print(next(gen))  # 2

​优势​：

• 内存高效：逐项生成数据，不预存完整序列
• 无限序列：可表示无限流（如传感器数据流）

​2. 生成器表达式​

squares = (x**2 for x in range(5))  # 生成器表达式
print(list(squares))  # [0, 1, 4, 9, 16]

​对比列表推导式​：

• 列表推导式：[x**2 for x in range(5)] → 立即生成完整列表
• 生成器表达式：(x**2 for x in range(5) → 惰性计算

​3. 协程应用（双向通信）​​

def coroutine():while True:received = yield  # 接收外部send()的值print(f"Received: {received}")c = coroutine()
next(c)  # 启动生成器（到yield处暂停）
c.send("Hello")  # 输出：Received: Hello

---

🎭 ​三、装饰器：元编程的轻量级武器​

​1. 基础装饰器原理​

def logger(func):def wrapper(*args, ​**kwargs):print(f"调用函数: {func.__name__}")return func(*args, ​**kwargs)return wrapper@logger
def add(a, b):return a + bprint(add(2, 3))  # 输出：调用函数: add → 5

​执行流程​：
add = logger(add) → 实际调用wrapper函数

​2. 带参数的装饰器​

def repeat(n):  # 装饰器工厂def decorator(func):def wrapper(*args, ​**kwargs):for _ in range(n):func(*args, ​**kwargs)return wrapperreturn decorator@repeat(3)
def say_hello():print("Hello!")say_hello()  # 输出3次"Hello!"

​3. 类装饰器​

class Timer:def __init__(self, func):self.func = funcdef __call__(self, *args, ​**kwargs):start = time.time()result = self.func(*args, ​**kwargs)print(f"耗时: {time.time() - start:.4f}s")return result@Timer
def heavy_task():time.sleep(2)heavy_task()  # 输出：耗时: 2.0003s

---

⚡ ​四、综合实战：高效数据处理管道​

​1. 流式日志分析器​

def log_reader(file):"""生成器：逐行读取日志"""with open(file) as f:for line in f:yield line.strip()def filter_errors(logs):"""过滤错误日志"""for log in logs:if "ERROR" in log:yield logdef count_logs(logs):"""统计日志数量"""count = 0for log in logs:count += 1yield count, log# 构建处理管道
logs = log_reader("app.log")
error_logs = filter_errors(logs)
counted_errors = count_logs(error_logs)for count, error in counted_errors:print(f"错误 #{count}: {error}")

​2. 函数性能监控系统​

import functools
import timedef performance_monitor(prefix=""):def decorator(func):@functools.wraps(func)  # 保留原函数属性def wrapper(*args, ​**kwargs):start = time.perf_counter()result = func(*args, ​**kwargs)elapsed = time.perf_counter() - startprint(f"{prefix}{func.__name__} 耗时: {elapsed:.6f}s")return resultreturn wrapperreturn decorator@performance_monitor("API:")
def fetch_data(url):time.sleep(0.5)return f"Data from {url}"fetch_data("https://api.example.com")  # 输出：API:fetch_data 耗时: 0.500012s

---

🧠 ​五、避坑指南与性能优化​

1. ​迭代器陷阱​

   • ​单次消费​：迭代器只能遍历一次（it = iter(data)后需重新初始化）
   • ​无限迭代​：生成器需明确终止条件（避免while True无退出）

2. ​装饰器副作用​

   • ​元信息丢失​：用@functools.wraps保留__name__等属性
   • ​调试困难​：多层装饰时用inspect模块追踪调用栈

3. ​性能优化技巧​

   • ​生成器管道​：替代中间列表减少内存占用
   • ​LRU缓存​：对纯函数用@functools.lru_cache缓存结果
   • ​异步生成器​：async for处理I/O密集型任务

---

💎 ​结语：编程范式的融合艺术​

迭代器统一了遍历接口，生成器实现了惰性之美，装饰器解耦了横切关注点——三者共同构建了Python高效与优雅的基石。建议在PyCharm中创建advanced_features.py，尝试：

1. 用生成器实现素数无限序列
2. 为数据库查询函数添加重试装饰器
3. 组合迭代器与装饰器构建ETL数据管道

​下篇预告​：
《Python异步编程：协程与并发实战》——揭秘如何用asyncio处理高并发I/O！

🔗 ​关联知识​：

• 回顾前篇：面向对象编程：从类到元类
• 官方文档：生成器 | 装饰器
• 拓展阅读：Real Python协程指南

---

【本文是Python入门系列第7篇】
: 迭代器协议：__iter__与__next__
: 生成器：yield魔法与协程应用
: 装饰器：函数增强与元编程
: 实战案例：日志处理与性能监控
: 性能优化：惰性计算与缓存策略