Python迭代器与生成器详解

从现在开始，我们要努力学习啦！今天我给大家带来《Python迭代器与生成器使用全解析》，感兴趣的朋友请继续看下去吧！下文中的内容我们主要会涉及到等等知识点，如果在阅读本文过程中有遇到不清楚的地方，欢迎留言呀！我们一起讨论，一起学习！

迭代器是实现__iter__()和__next__()方法的对象，用于按需遍历数据；生成器是使用yield的特殊迭代器，能延迟计算节省内存。1.迭代器通过next()逐个获取元素，如列表需用iter()转换；2.自定义迭代器需定义类并实现两个方法，如MyCounter控制遍历状态；3.生成器用yield暂停执行，如fibonacci()按需生成数列；4.生成器表达式用()且不占内存，适合处理大数据，如逐行读取大文件。

在Python中，迭代器和生成器是处理数据流的重要工具。它们不仅能让代码更简洁高效，还能节省内存资源，特别是在处理大规模数据时非常有用。

什么是迭代器？

迭代器是一个可以记住遍历位置的对象。它实现了两个方法：__iter__() 和 __next__()。使用迭代器可以按需获取元素，而不是一次性把所有数据加载到内存中。

常见的可迭代对象包括列表、字符串、字典等。但这些本身并不是迭代器，需要用 iter() 函数转换一下才能变成迭代器。

比如：

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

当你用完所有元素后再调用 next()，会抛出 StopIteration 异常，这是迭代结束的标志。

自定义迭代器怎么写？

如果你想自己实现一个迭代器，只需要定义一个类，并实现 __iter__() 和 __next__() 方法。

举个例子，我们来写一个简单的计数器迭代器：

class MyCounter:
    def __init__(self, start=0, end=5):
        self.current = start
        self.end = end

    def __iter__(self):
        return self

    def __next__(self):
        if self.current < self.end:
            num = self.current
            self.current += 1
            return num
        else:
            raise StopIteration

# 使用
counter = MyCounter(1, 4)
for num in counter:
    print(num)
# 输出：
# 1
# 2
# 3

这个自定义迭代器可以在循环中自动控制状态，适合用来封装一些有规律的数据结构或逻辑。

生成器是什么？怎么用？

生成器是一种特殊的迭代器，它的写法比类简单很多，使用 yield 关键字就能实现。

相比普通函数返回一个值后就结束了，生成器函数每次遇到 yield 会暂停并保存当前状态，下次调用再继续执行。

比如下面这个生成器，可以无限生成斐波那契数列：

def fibonacci():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b

fib = fibonacci()
print(next(fib))  # 0
print(next(fib))  # 1
print(next(fib))  # 1
print(next(fib))  # 2

你也可以像这样限制输出次数：

for i, val in enumerate(fib):
    if i >= 10:
        break
    print(val)

这种方式非常适合处理大数据或者需要延迟计算的场景。

生成器表达式 vs 列表推导式

如果你熟悉列表推导式，你会发现生成器表达式的写法几乎一样，只是用小括号 () 而不是方括号 []。

• 列表推导式：[x**2 for x in range(10)]
• 生成器表达式：(x**2 for x in range(10))

区别在于：

• 列表推导式会立刻生成全部数据；
• 生成器表达式则是“按需”生成，不占内存。

所以，当你只关心逐个访问元素而不必一次全存下来时，用生成器表达式更高效。

实际应用场景举例

• 读取大文件：一行一行读取，避免一次性加载整个文件；
• 网络爬虫：边抓取边处理，减少等待时间；
• 实时数据流处理：比如传感器持续传来的数据；
• 简化递归结构遍历：比如树形结构的深度优先遍历。

例如，读取一个超大日志文件：

def read_large_file(file_path):
    with open(file_path, 'r') as f:
        for line in f:
            yield line.strip()

log_lines = read_large_file('big_log.txt')
for line in log_lines:
    print(line)  # 每次只处理一行

这种方式不会因为文件太大而导致内存溢出。

基本上就这些了。迭代器和生成器看似概念性强，其实用起来并不难。关键是理解它们“按需生成”的特性，在合适的地方用上，能让你的程序既优雅又高效。

好了，本文到此结束，带大家了解了《Python迭代器与生成器详解》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多文章知识！