生成器和迭代器

一，迭代器(iterator)和可迭代对象(iterable)

1.两者的介绍：

    迭代器：对象必须提供一个next方法，执行该方法要么返回迭代中的下一项，要么就引起一个Stopiteration异常，以终止迭代（只能往前走不能后退）

 

  可迭代对象：实现了迭代器协议的对象（实现：对象内部定义一个_iter_()方法）

 

     注：字符串、列表、元组、字典、集合、文件对象这些都不是可迭代对象，只不过for循环调用了他们内部的_iter_方法，把他们变成了可迭代对象。

例：可迭代对象的使用方法：
a = [1,2,3]
iter_a = a.__iter__()
print(iter_a.__next__())
print(iter_a.__next__())
print(iter_a.__next__())
    注：
    print(next(iter_a)) = print(iter_a.__next__())
    一个调用python提供的内置函数，一个调用数据类型提供的方法

例：用while去模拟for循环：
a = [1,2,3,5]
iter_a = a.__iter__()
while True:
    try:
        print(iter_a.__next__())
    except StopIteration:
        break

2.迭代器和可迭代对象的判断

    可以使用isinstance()判断

>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False



>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False

    笔者自己画的图，他们之间的关系如图所示

                     

小结:

    凡是可作用于for循环的对象都是Iterable类型；

    凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；

    集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。

    Python的for循环本质上就是通过不断调用next()函数实现的.

 

二、生成器

1.什么是生成器：
    可以理解为一种数据类型，这种数据类型自动实现了迭代器协议（其他的数据类型需要调用自己内置的__iter__方法），所以生成器就是可迭代对象。
2.生成器分类：
    1)：生成器函数：常规函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个据俄国中间，挂起函数的状态，以便下次从他离开的地方继续执行.
    2): 生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构造一个结果列表。

3.生成器特点：
    1).获得返回值yield(类似函数return)
    2).保留函数的运行状态，下一次运行相当于执行__next()__方法
4.生成器函数总结：
    1).语法上和函数类似：生成器函数和常规函数几乎是一样的。它们都是使用def语句进行定义，差别在于，生成器使用yield语句返回一个值，而常规函数使用return语句返回一个值。
    2).自动实现迭代器协议：对于生成器，Python会自动实现迭代器协议，以便应用到迭代背景中（如for循环、sum函数）。由于生成器自动实现了迭代器协议，所以，我们可以调用你它next方法，并且，在没有值可以返回的时候，生成器自动产生StopIteration异常
    3).挂起状态：生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态，保留足够的信息，以便之后从它离开的地方继续执行

#--------包子案例:商家做包子，客人吃包子
import time
def product_baozi():
     for i in range(100):
         yield '做好了包子%s'%i
         time.sleep(3)
baozi = product_baozi()
names = ['aaa','bbb','ccc','ddd']
for name in names:
    s = baozi.__next__()
    time.sleep(1)
    print( s[3:],'已被%s吃了'%name)

*附加：生成器只能遍历一次！

示例：

 

def test():
    for i in range(4):
        yield i
n = test()
n1 =(i for i in n)
n2 =(i for i in n1)
print(list(n2))
输出结果：
[0, 1, 2, 3]
******************

def test():
    for i in range(4):
        yield i
n = test()
n1 =(i for i in n)
n2 =(i for i in n1)
print(list(n1))
print(list(n2))

输出结果：
[0, 1, 2, 3]
[]

 

5.生成器的send用法

def test():
    print('start')
    num = yield 1
    yield 2,num
    yield 3
a = test()
test0 = a.__next__()
test1 = a.send(24)      #send的作用相当于使生成器继续运行，并且传递的参数为yield的返回值 
test2 = a.__next__()
print(test0)
print(test1)
print(test2)

6.生产者和消费者模型

    通过yield实现在单线程的情况下实现并发运算的效果

import time
def producer(name):
    while True:
        baozi = yield
        time.sleep(1)
        print('%s已制作完毕'%baozi)
        print('%s把%s吃了'%(name,baozi))
        print('-'*30)

def consumption():
    People_eat1 = producer('Jiang')
    People_eat2 = producer('Feng')
    People_eat1.__next__()
    People_eat2.__next__()
    for i in range(10):
        if (i+1)//2 ==1:
            People_eat1.send('包子%s'%i)
        else:
            People_eat2.send('包子%s'%i)
consumption()