神奇的yield

 

写了那么久的Python，你应该学会使用yield关键字了

写过一段时间代码的同学，应该对这一句话深有体会：程序的时间利用率和空间利用率往往是矛盾的，可以用时间换空间，可以用空间换时间，但很难同时提高一个程序的时间利用率和空间利用率。

但如果你尝试使用生成器来重构你的代码，也许你会发现，在一定程度上，你可以既提高时间利用率，又提高空间利用率。

我们以一个数据清洗的简单项目为例，来说明生成器如何让你的代码运行起来更加高效。

在 Redis 中，有一个列表datalist，里面有很多的数据，这些数据可能是纯阿拉伯数字，中文数字，字符串"敏感信息"。现在我们需要实现：从 Redis 中读取所有的数据，把所有的字符串敏感信息全部丢掉，把所有中文数字全部转换为阿拉伯数字，以{'num': 12345, 'date': '2019-10-30 18:12:14'}这样的格式插入到 MongoDB 中。

示例数据如下：

41234213424
一九八八七二六三
8394520342
七二三六二九六六
敏感信息
80913408120934
敏感信息
敏感信息
95352345345
三三七四六
999993232
234234234
三六八八七七
敏感信息
复制代码

如下图所示：

 

 

 

 

如果让你来写这个转换程序，你可能会这样写：

 

import redis
import datetime
import pymongo


client = redis.Redis()
handler = pymongo.MongoClient().data_list.num

CHINESE_NUM_DICT = {
    '一': '1',
    '二': '2',
    '三': '3',
    '四': '4',
    '五': '5',
    '六': '6',
    '七': '7',
    '八': '8',
    '九': '9'
}

def get_data():
    datas = []
    while True:
        data = client.lpop('datalist')
        if not data:
            break
        datas.append(data.decode())
    return datas

def remove_sensitive_data(datas):
    clear_data = []
    for data in datas:
        if data == '敏感信息':
            continue
        clear_data.append(data)
    return clear_data

def tranfer_chinese_num(datas):
    number_list = []
    for data in datas:
        try:
            num = int(data)
        except ValueError:
            num = ''.join(CHINESE_NUM_DICT[x] for x in data)
        number_list.append(num)
    return number_list

def save_data(number_list):
    for number in number_list:
        data = {'num': number, 'date': datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
        handler.insert_one(data)

raw_data = get_data()
safe_data = remove_sensitive_data(raw_data)
number_list = tranfer_chinese_num(safe_data)
save_data(number_list)

运行效果如下图所示：

 

 

 

 

这段代码，看起来很 Pythonic，一个函数只做一件事，看起来也满足编码规范。最后运行结果也正确。能有什么问题？

问题在于，这段代码，每个函数都会创建一个列表存放处理以后的数据。如果 Redis 中的数据多到超过了你当前电脑的内存怎么办？对同一批数据多次使用 for 循环，浪费了大量的时间，能不能只循环一次？

也许你会说，你可以把移除敏感信息，中文数字转阿拉伯数字的逻辑全部写在get_data函数的 while循环中，这样不就只循环一次了吗？

可以是可以，但是这样一来，get_data就做了不止一件事情，代码也显得非常混乱。如果以后要增加一个新的数据处理逻辑：

转换为数字以后，检查所有奇数位的数字相加之和与偶数位数字相加之和是否相等，丢弃所有相等的数字。

那么你就要修改get_data的代码。

在开发软件的时候，我们应该面向扩展开放，面向修改封闭，所以不同的逻辑，确实应该分开，所以上面把每个处理逻辑分别写成函数的写法，在软件工程上没有问题。但是如何做到处理逻辑分开，又不需要对同一批数据进行多次 for 循环呢？

这个时候，就要依赖于我们的生成器了。

我们先来看看下面这一段代码的运行效果：

def gen_num():
    nums = []
    for i in range(10):
        print(f'生成数据：{i}')
        nums.append(i)
    return nums
nums = gen_num()
for num in nums:
    print(f'打印数据：{num}')

运行效果如下图所示：

 

 

 

现在，我们对代码做一下修改：

def gen_num():
    for i in range(10):
        print(f'生成数据：{i}')
        yield i
nums = gen_num()
for num in nums:
    print(f'打印数据：{num}')

其运行效果如下图所示：

 

 

 

 

大家对比上面两张插图。前一张插图，先生成10个数据，然后再打印10个数据。后一张图，生成一个数据，打印一个数据，再生成一个数据，再打印一个数据……

如果以代码的行号来表示运行运行逻辑，那么代码是按照这个流程运行的：

1->5->6->2->3->4->6->7->6->2->3->4->6->7->6->2->3->4->6->7....

大家可以把这段代码写在 PyCharm 中，然后使用单步调试来查看它每一步运行的是哪一行代码。

程序运行到yield就会把它后面的数字抛出到外面给 for 循环， 然后进入外面 for 循环的循环体，外面的 for 循环执行完成后，又会进入gen_num函数里面的 yield i后面的一行，开启下一次 for 循环，继续生成新的数字……

整个过程中，不需要额外创建一个列表来保存中间的数据，从而达到节约内存空间的目的。而整个过程中，虽然代码写了两个 for 循环，但是如果你使用单步调试，你就会发现实际上真正的循环只有for i in range(10)。而外面的for num in nums仅仅是实现了函数内外的切换，并没有新增循环。

回到最开始的问题，我们如何使用生成器来修改代码呢？实际上你几乎只需要把return 列表改成yield 每一个元素即可：

import redis
import datetime
import pymongo


client = redis.Redis()
handler = pymongo.MongoClient().data_list.num_yield

CHINESE_NUM_DICT = {
    '一': '1',
    '二': '2',
    '三': '3',
    '四': '4',
    '五': '5',
    '六': '6',
    '七': '7',
    '八': '8',
    '九': '9'
}

def get_data():
    while True:
        data = client.lpop('datalist')
        if not data:
            break
        yield data.decode()

def remove_sensitive_data(datas):
    for data in datas:
        if data == '敏感信息':
            continue
        yield data

def tranfer_chinese_num(datas):
    for data in datas:
        try:
            num = int(data)
        except ValueError:
            num = ''.join(CHINESE_NUM_DICT[x] for x in data)
        yield num

def save_data(number_list):
    for number in number_list:
        data = {'num': number, 'date': datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
        handler.insert_one(data)

raw_data = get_data()
safe_data = remove_sensitive_data(raw_data)
number_list = tranfer_chinese_num(safe_data)
save_data(number_list)

代码如下图所示：

 

 

 

如果你开启 PyCharm 调试模式，你会发现，数据的流向是这样的：

1. 从 Redis 获取1条数据
2. 这一条数据传给remove_sensitive_data
3. 第2步处理以后的数据传给tranfer_chinese_num
4. 第3步处理以后，传给 save_data
5. 回到第1步

整个过程就像是一条流水线一样，数据一条一条地进行处理和存档。不需创建额外的列表，有多少条数据就循环多少次，不做多余的循环。