05 迭代器 生成器
一、 迭代器定义 _iter_
1.什么是迭代器
迭代器:迭代取值的工具
迭代:更新换代(重复)的过程,每次的迭代都必须基于上一次的结果
2.为什么要用
迭代器给你提供了一种不依赖于索引取值的方式
3.可迭代对象
只要内置有__iter__方法的都叫做可迭代对象
补充:针对双下线开头双下划线结尾的方法
推荐读:双下+方法名
基本数据类型中除了数字型都是可迭代对象，文件迭代后还是自己，可迭代对象执行内置的__iter__方法得到就是该对象的迭代器对象 # res = d.__iter__() # res = iter(d) # print(s.__len__()) # 简化成了len(s)
4.迭代器总结 1.可迭代对象:内置有__iter__方法的 2.迭代器对象:既内置有__iter__也内置有__next__方法 3.迭代取值: 优点： 1.不依赖于索引取值 2.内存中永远只占一份空间,不会导致内存溢出 缺点： 1.不能够获取指定的元素 2.取完之后会报StopIteration错
二、 迭代器取值 _next_
迭代器对象 1.内置有__iter__方法 2.内置有__next__方法 ps:迭代器一定是可迭代对象，而可迭代对象不一定是迭代器对象 3.迭代器对象无论执行多少次__iter__方法得到的还是迭代器对象本身 4.迭代器取值只能往后依次取 不能后退
2.1 不完美取值
d = {'name':'jason','password':'123','hobby':'泡m'}
iter_d = d.__iter__() #生成一个迭代器，将可迭代对象d转换成迭代器对象
print(iter_d.__next__()) # name迭代器对象的取值 必须用__next__
print(iter_d.__next__()) #password
print(iter_d.__next__()) #hobby
print(iter_d.__next__()) # 取完了 报错StopIteration ，都报错了你能忍？怎么办？
2.2 异常处理 防止迭代取值溢出范围
while True:
try:
print(iter_d.__next__())
except StopIteration: #上面的print报错后如果和条件中的报错信息一样不会报错，而是继续向下执行，不一样的错误还是会报错
# print('这谁顶得住！')
break
异常有两大类
1.语法结构错误:需要你当场修改 异常捕获没法完成
2.逻辑错误:异常捕获可以处理
三、 for 循环原理
for循环内部的本质 ：（for循环后面的in关键 跟的是一个可迭代对象）
1.将in后面的对象调用__iter__转换成迭代器对象（不管谁来，先执行_iter_这个操作，因此文件即使是迭代器对象也要拥有_iter_方法才能支持for循环）
2.调用__next__迭代取值
3.内部有异常捕获，捕获StopIteration,当__next__报这个错 自动结束循环
四、生成器 = 自定义迭代器 yield
生成器:用户自定义的迭代器,本质就是迭代器 def func(): print('first') yield 相应参数 # 函数内如果有yield关键字,那么加括号执行函数的时候并不会触发函数体代码的运行 g = func() # 生成器初始化:将函数变成迭代器，函数体代码不会执行
4.1 用yield返回值
# yield后面跟的值就是调用迭代器__next__方法你能得到的值
# yield既可以返回一个值也可以返回多个值 并且多个值也是按照元组的形式返回
def func():
print('first')
yield 666 # yield相当于一个暂停器，并且有返回功能
print('second')
yield 777
print('forth')
yield
g = func() # 生成器初始化:将函数变成迭代器
print(g) #<generator object func at 0x0000000002170F68> 是一个迭代器
print(g.__next__()) #666 调用一次_next_出来一个返回值，然后程序会停在yield，等待下一个启动器触发
print(g.__next__()) #777
print(g.__next__()) #None print('forth')后面如果不写 yield，就会报错，写了后面没有值相当于空返回None结束程序
4.2自定义range练习
1.内置的range for i in range(1,10,2): print(i) #13579 2.自定义一个range def my_range(start,end,step=1): while start < end: yield start start += step for j in my_range(1,100,2): print(j) #13579
4.3 yield可以用来传参
# yield支持外界为其传参 def dog(name): print('%s 准备开吃'%name) while True: food = yield print('%s 吃了 %s'%(name,food)) g = dog('egon') #无结果 当函数内有yield关键字的时候,调用该函数不会执行函数体代码，而是将函数变成生成器 g.__next__() #egon 准备开吃 这一次运行一定不能少，必须有这行代码生成器才真正执行，遇到yield暂停，必须先将代码运行至yield ，才能够为其传值 g.__next__() #egon 吃了 None 遇到一次_next_ yield就会放行一次，没传参数就返回None，经循环再次停在yield g.send('狗不理包子') #egon 吃了 狗不理包子 给yield左边的变量传参 ， 触发了__next__方法，执行一次然后再次循环到yield停止 g.send('饺子') #egon 吃了 饺子 再一次触发_next_方法再输出一次
4.4 yield 与 return比较
1.yield 1.帮你提供了一种自定义生成器方式 2.会帮你将函数的运行状态暂停住 3.可以返回值 2.与return之间异同点 相同点:都可以返回值,并且都可以返回多个 不同点: yield可以返回多次值,而return只能返回一次函数立即结束 yield还可以接受外部传入的值
4.5 生成器表达式 快速生成自定义迭代器
1.当遇到特别大的可迭代对象，节省内存 res = (i for i in range(1,100000000) if i != 4) # 生成器表达式，好像好像元祖生成式，可惜并不是 print(res) print(res.__next__()) #1 print(res.__next__()) #2 # 生成器不会主动执行任何一行代码，必须通过__next__触发代码的运行，要一个给一个 2.读取文件内字符长度： 1.一次读出直接统计，占内存 f = open('xxx.txt','r',encoding='utf-8') data = f.read() print(len(data))
f.close() 2.一行一行读，还可以 with open('xxx.txt','r',encoding='utf-8') as f: n = 0 for line in f: n += len(line) print(n) 3.迭代器读，真牛逼 with open('xxx.txt','r',encoding='utf-8') as f: g = (len(line) for line in f) print(sum(g))
4.5 生成器启动条件
启动生成器进行迭代有以下几种方法：
第一种：for循环，for循环的本质就是调用了iter和next方法进行了迭代
第二种：调用next方法
第三种：调用send方法
第四种：数据类型强制转换，比如使用list()强制转换。
只要没有以上四种方法进行迭代，那么生成器就没有进行运算
4.6 面试题
def add(n,i): return n+i def test(): for i in range(4): yield i g=test() #到这里初始化生成器，把函数变成生成器，但是代码一句也不会执行 for n in [1,10]: #这是一个列表，两个元素，也就是说会循环两次 g=(add(n,i) for i in g) #这是一个生成器表达式，代表一个生成器 # 第一次for循环结束g=(add(1,i) for i in test()) 到这里test()代码根本不会运行，因为根本没看到_next_ # 第二次for循环g=(add(10,i) for i in {add(10,i) for i in test()}） 到这里代码也不会执行 print(n) res=list(g)#list内部自带_next_触发g,g里面生成器逐个触发 g=(add(10,i)=20 for 10 in {add(10,0)=10 for i in test()=0}） #A. res=[10,11,12,13] #B. res=[11,12,13,14] #C. res=[20,21,22,23] 答案 #D. res=[21,22,23,24]
