python 迭代器，生成器
在 python 中我们常用 for in 来遍历 list, set, dict, str 等。
for in 的本质就干了两件事：
- 调用 _iter_() 获取迭代器;
- 调用 next() 直到 StopIteration 异常; (python3 中是 _next_())
迭代器
我们先了解几个概念：
- Iterable: 可迭代对象
- Iterator: 迭代器
我们先看看 Iterable 的实现
from collections import Iterable
help(Iterable)
class Iterable(__builtin__.object)
| Methods defined here:
|
| __iter__(self)
|
| ----------------------------------------------------------------------
| Class methods defined here:
|
| __subclasshook__(cls, C) from abc.ABCMeta
|
| ----------------------------------------------------------------------
| Data descriptors defined here:
|
| __dict__
| dictionary for instance variables (if defined)
|
| __weakref__
| list of weak references to the object (if defined)
|
| ----------------------------------------------------------------------
| Data and other attributes defined here:
|
| __abstractmethods__ = frozenset(['__iter__'])
|
| __metaclass__ = <class 'abc.ABCMeta'>
| Metaclass for defining Abstract Base Classes (ABCs).
|
| Use this metaclass to create an ABC. An ABC can be subclassed
| directly, and then acts as a mix-in class. You can also register
| unrelated concrete classes (even built-in classes) and unrelated
| ABCs as 'virtual subclasses' -- these and their descendants will
再看看 Iterator 的实现
from collections import Iterator
help(Iterator)
class Iterator(Iterable)
| Method resolution order:
| Iterator
| Iterable
| __builtin__.object
|
| Methods defined here:
|
| __iter__(self)
|
| next(self)
| Return the next item from the iterator. When exhausted, raise StopIteration
|
| ----------------------------------------------------------------------
| Class methods defined here:
|
| __subclasshook__(cls, C) from abc.ABCMeta
|
| ----------------------------------------------------------------------
| Data and other attributes defined here:
|
| __abstractmethods__ = frozenset(['next'])
|
| ----------------------------------------------------------------------
| Data descriptors inherited from Iterable:
|
| __dict__
| dictionary for instance variables (if defined)
|
| __weakref__
| list of weak references to the object (if defined)
|
| ----------------------------------------------------------------------
| Data and other attributes inherited from Iterable:
|
| __metaclass__ = <class 'abc.ABCMeta'>
| Metaclass for defining Abstract Base Classes (ABCs).
|
| Use this metaclass to create an ABC. An ABC can be subclassed
| directly, and then acts as a mix-in class. You can also register
| unrelated concrete classes (even built-in classes) and unrelated
| ABCs as 'virtual subclasses' -- these and their descendants will
| be considered subclasses of the registering ABC by the built-in
| issubclass() function, but the registering ABC won't show up in
| their MRO (Method Resolution Order) nor will method
| implementations defined by the registering ABC be callable (not
| even via super()).
从继承关系来看，所有的 Iterator(迭代器)都是 Iterable(可迭代对象)，
从实现角度看 Iterator 新增了 next() 方法。
判断是 Iterator 还是 Iterable
- 凡是可以 for 循环的，都是 Iterable;
- 凡是可以 next() 的，都是 Iterator;
- list, tuple, dict, str, set 都不是 Iterator，但是可以通过 _iter_() 返回一个 Iterator 对象
from collections import Iterator, Iterable
isinstance([1,], Iterator) // False
isinstance((1,), Iterator) // False
isinstance({}, Iterator) // False
isinstance("abc", Iterator) // False
isinstance(set([]), Iterator) // False
isinstance([1,], Iterable) // True
isinstance((1,), Iterable) // True
isinstance({}, Iterable) // True
isinstance("abc", Iterable) // True
isinstance(set([]), Iterable) // True
dir([]) // 没有 next() 方法
dir([].__iter__()) // 有 next() 方法
生成器
将完了迭代器，我们再说说生成器，这里引用廖雪峰博客里的介绍:
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。
而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，
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。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？
这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，
称为生成器（Generator）。
生成器的创建很简单，可以通过推导列表创建：
g = (x * x for x in range(10)) // 使用 [] 返回的是 list, () 返回的是 generator
还有一种方式是通过 yield 关键字生成。
先看看生成器的实现:
<genexpr> = class generator(object)
| Methods defined here:
|
| __getattribute__(...)
| x.__getattribute__('name') <==> x.name
|
| __iter__(...)
| x.__iter__() <==> iter(x)
|
| __repr__(...)
| x.__repr__() <==> repr(x)
|
| close(...)
| close() -> raise GeneratorExit inside generator.
|
| next(...)
| x.next() -> the next value, or raise StopIteration
|
| send(...)
| send(arg) -> send 'arg' into generator,
| return next yielded value or raise StopIteration.
|
| throw(...)
| throw(typ[,val[,tb]]) -> raise exception in generator,
| return next yielded value or raise StopIteration.
|
| ----------------------------------------------------------------------
| Data descriptors defined here:
|
| gi_code
|
| gi_frame
|
| gi_running
可以发现生成器较迭代器多了 send, throw 等方法。
send
这里重点介绍下 send 方法，我们知道在使用迭代器时，遇到 yield 关键字
会退出来，下一迭代时会继续执行。先看个例子：
def MyGenerator():
value = yield 1
value = yield value
gen = MyGenerator()
print gen.next() // print 1
print gen.next() // print None
我们看看具体执行过程：
- 调用 next() 方法，走到 yield 1 退出，注意这个时候还没有走到 value 的 赋值操作(即: value = yield 1 只执行了右侧部分)
- 调用 next() 方法，继续上次的代码执行(即：value = yield 1 只执行了右侧的赋值部分)
- 由于 yield 并没有返回值，所以 value = None
- 返回 None, 并打印
修改下上面的例子：
def MyGenerator():
value = yield 1
value = yield value
gen = MyGenerator()
print gen.next() // print 1
print gen.send(2) // print 2
send 方法是指定的是上一次被挂起的yield语句的返回值，这么说有点抽象，我们看执行过程：
- 调用 next() 方法，走到 yield 1 退出，注意这个时候还没有走到 value 的 赋值操作(即: value = yield 1 只执行了右侧部分)
- 调用 send(2) 方法，继续上次的代码执行(即：value = yield 1 只执行了右侧的赋值部分)
- value 使用 send 传的值，即： value = 2
- 返回 2, 并打印
协程
协程就是利用 yield 和生成器的 send() 方法实现的。
