本文深入剖析了Python迭代器的核心原理与实战应用，揭示迭代协议（__iter__和__next__方法）作为for循环、next()等语法背后的底层契约，清晰区分可迭代对象与迭代器的本质差异，并通过手写CountUp类和生成器函数两种方式直观展现状态管理与StopIteration的正确处理；同时结合文件逐行读取与链式过滤等真实场景，演示如何利用迭代器实现内存友好、惰性求值、高内聚低耦合的数据处理流水线，让读者不仅知其然，更知其所以然，轻松写出高效、健壮、可维护的Python迭代代码。

Python迭代器的核心在于理解 迭代协议 —— 即对象只要实现了 __iter__() 和 __next__() 方法，就能被 for 循环、next() 等消费。它不是语法糖，而是 Python 迭代行为的底层契约。

迭代器 vs 可迭代对象：关键区分

可迭代对象（如 list、str、dict、range）只须实现 __iter__()，返回一个迭代器；迭代器自身必须同时具备 __iter__()（通常返回 self）和 __next__()（返回下一个值或抛出 StopIteration）。 常见误区：误以为 list 本身是迭代器——其实它是可迭代对象，每次调用 iter(list) 才生成新的迭代器。

手动实现一个迭代器：掌握控制流逻辑

写一个从 1 累加到 n 的迭代器，能清晰看到状态维护与边界处理：

class CountUp:
    def __init__(self, n):
        self.n = n
        self.current = 1
def __iter__(self):
    return self  # 迭代器自身可被迭代

def __next__(self):
    if self.current > self.n:
        raise StopIteration
    value = self.current
    self.current += 1
    return value
使用
for i in CountUp(3):
print(i)  # 输出 1, 2, 3

• __next__ 必须显式管理状态（如 self.current）
• 到达终点时必须抛出 StopIteration，不能返回 None 或静默退出
• __iter__ 返回 self 是让该对象支持多次遍历（但注意：本例中它是一次性耗尽的，如需重复使用，应在 __iter__ 中重置状态）

生成器：更简洁的迭代器写法

用 yield 定义的函数会自动返回生成器对象（即迭代器），Python 替你封装了状态保存、异常处理和暂停恢复逻辑。

def count_up_gen(n):
    for i in range(1, n+1):
        yield i
等价于上面的 CountUp 类，但代码量少、不易出错
gen = count_up_gen(3)
print(next(gen))  # 1
print(next(gen))  # 2

• 生成器函数首次调用不执行逻辑，只返回生成器对象
• 每次 next() 调用才运行到下一个 yield，并保存局部变量上下文
• 函数自然结束时，自动生成 StopIteration

实战场景：文件逐行读取 + 链式过滤

避免一次性加载大文件到内存，用迭代器组合实现内存友好的数据流水线：

def read_lines(filename):
    with open(filename) as f:
        for line in f:  # 文件对象本身就是迭代器
            yield line.rstrip('\n')
def non_empty(lines):
for line in lines:
if line.strip():
yield line
def long_lines(lines, min_len=10):
for line in lines:
if len(line) >= min_len:
yield line
组合使用（惰性求值，无中间列表）
for line in long_lines(non_empty(read_lines('data.txt'))):
print(repr(line))

• 每层都是迭代器，数据逐个流动，内存占用恒定
• 整个链路在 for 启动时才开始执行，未用到的数据永不计算
• 可轻松替换某环节（如换成正则过滤），不影响其他逻辑

今天关于《Python迭代器核心原理与实战详解【指导】》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！