关于python:一文了解-Python-中的生成器

生成器很容易实现，但却不容易了解。生成器也可用于创立迭代器，但生成器能够用于一次返回一个可迭代的汇合中一个元素。当初来看一个例子：

def yrange(n):
    i = 0
    while i < n:
        yield i
        i += 1

每次执行 yield 语句时，函数都会生成一个新值。

“生成器”这个词被混同地用来示意生成的函数和它生成的内容。

当调用生成器函数时，它甚至没有开始执行该函数就返回一个生成器对象。当第一次调用 next() 办法时，函数开始执行直到它达到 yield 语句。产生的值由下一次调用返回。

以下示例演示了 yield 和对生成器对象上的 next 办法的调用之间的相互作用。

>>> def foo():
...     print("begin")
...     for i in range(3):
...         print("before yield", i)
...         yield i
...         print("after yield", i)
...     print("end")
...
>>> f = foo()
>>> next(f)
begin
before yield 0
0
>>> next(f)
after yield 0
before yield 1
1
>>> next(f)
after yield 1
before yield 2
2
>>> next(f)
after yield 2
end
Traceback (most recent call last):
  File "<pyshell#13>", line 1, in <module>
    next(f)
StopIteration
>>>

生成器也是迭代器，反对应用 for 循环。当应用 for 语句开始对一组我的项目进行迭代时，即运行生成器。一旦生成器的函数代码达到 yield 语句，生成器就会将其执行交还给 for 循环，从汇合中返回一个新值。生成器函数能够依据须要生成任意数量的值（可能是有限的），顺次生成每个值。

f_2 = foo()
for i in f_2: print(i)

begin
before yield 0
0
after yield 0
end
before yield 1
1
after yield 1
end
before yield 2
2
after yield 2
end

当一个函数蕴含 yield 时，Python 会主动实现一个迭代器，为咱们利用所有须要的办法，比方 __iter__() 和 __next__()，所以生成器也能和迭代器有雷同的性能，如下所示：

def yrange():
    i = 1
    while True:
        yield i
        i = i + 1

def squares():
    for i in yrange():
        yield i * i

def take(n, seq):
    seq = iter(seq)
    result = []
    try:
        for i in range(n):
            result.append(next(seq))
    except StopIteration:
        pass
    return result

print(take(5, squares()))

# [1, 4, 9, 16, 25]

接下来看一下如何应用生成器计算斐波那契数列：

def fib(n):
    if n <= 1:
        return 1
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a + b
        yield a

for i in fib(10):
    print(i, end=' ')

# Result：1 1 2 3 5 8 13 21 34 55

生成器表达式是列表推导式的生成器版本。它们看起来像列表推导式，但返回的是一个生成器，而不是一个列表。生成器推导式的实质：

应用 yield 会产生一个生成器对象
用 return 将返回以后的第一个值。

generator_expressions = (x for x in range(10))
generator_expressions
<generator object <genexpr> at 0x0000023F8BC51AF0>
sum(generator_expressions)
45

生成器的另一个常见场景是有限序列生成。在 Python 中，当您应用无限序列时，您能够简略地调用 range() 并在列表中对其进行计数，例如：

a = range(5)
print(list(a))
[0, 1, 2, 3, 4]

也能够这样做，应用如下生成器生成有限序列：

def infinite_sequence():
    num = 0
    while True:
        yield num
        num += 1

运行此代码时，能够看到其运行十分快，能够通过 CTRL+C 来使得程序完结，如下：

1. 读取文件行

生成器的一个常见用法是解决大型文件或数据流，例如 CSV 文件。假如咱们须要计算文本文件中有多少行，咱们的代码可能如下所示：

def csv_reader(file_name):
    file = open(file_name)
    result = file.read().split("\n")
    return result

csv_gen = csv_reader("some_file.csv")
row_count = 0

for row in csv_gen:
    row_count += 1

print(f"Row count is {row_count}")

咱们的 csv_reader 函数将简略地将文件关上到内存中并读取所有行，而后它将行拆分并与文件数据造成一个数组。如果文件蕴含几千行，可能就会导致速度变慢，设置是内存被占满。

这里就能够通过生成器重构的 csv_reader 函数。

def csv_reader(file_name):
    for row in open(file_name, "r"):
        yield row

读取文件内容

def readfiles(filenames):
    for f in filenames:
        for line in open(f):
            yield line

def grep(pattern, lines):
    return (line for line in lines if pattern in line)

def printlines(lines):
    for line in lines:
        print(line, end="")

def main(pattern, filenames):
    lines = readfiles(filenames)
    lines = grep(pattern, lines)
    printlines(lines)

到目前为止，咱们曾经介绍了生成器最常见的用处和结构，但还有更多内容须要介绍。随着工夫的推移，Python 为生成器增加了一些额定的办法：

send() 函数
throw() 函数
close() 函数

接下来，咱们来看一下如何应用这三个函数。

首先，新建一个生成器将生成素数，其实现如下：

def isPrime(n):
    if n < 2 or n % 1 > 0:
        return False
    elif n == 2 or n == 3:
        return True
    for x in range(2, int(n**0.5) + 1):
        if n % x == 0:
            return False
    return True

def getPrimes():
    value = 0
    while True:
        if isPrime(value):
            i = yield value
            if i is not None:
                value = i
        value += 1

而后咱们调用 send() 函数，这个函数会向生成器 prime_gen 传入一个值，而后从这个值开始计算下一个素数的值：

prime_gen = getPrimes()
print(next(prime_gen))
print(prime_gen.send(1000))
print(next(prime_gen))

能够看到如下后果：

throw() 容许您应用生成器抛出异样。例如，这对于以某个值完结迭代很有用。比方咱们想得到小于 20 的素数就能够应用如下办法：

prime_gen = getPrimes()

for x in prime_gen:
    if x > 20:
        prime_gen.throw(ValueError, "I think it was enough!")
    print(x)

运行该代码，失去后果如下：

在后面的示例中，咱们通过引发异样来进行迭代，但这并不是用户想看到的，谁想看到报错呢。因而，完结迭代的更好办法是应用 close():

prime_gen = getPrimes()

for x in prime_gen:
    if x > 20:
        prime_gen.close()
    print(x)

运行后果如下图：

能够看到，生成器在运行到进行了，没有引发任何异样。

生成器简化了迭代器的创立。 生成器是产生一系列后果而不是单个值的函数 。

生成器能够用于优化 Python 应用程序的性能，尤其是在应用大型数据集或文件时的场景中。

生成器还通过防止简单的迭代器实现或通过其余形式解决数据来提供清晰的代码。

参考链接:

How to Use Generator and yield in Python
https://realpython.com/introd…
https://anandology.com/python…

关于python:一文了解-Python-中的生成器

前言

生成器也是迭代器

生成器推导式

有限生成器

生成器理论用法

高级生成器用法

总结