迭代使Python中最强有力的特性之一。从高层次看，我们可以简单地把迭代看做是一个处理序列中元素的方式。
4.1手动访问迭代器中的元素
from collections import abc
with open('/etc/passwd') as f:
print(isinstance(f, abc.Iterator))
print(isinstance(f, abc.Generator))
try:
while True:
line = next(f)
print(line, end='')
except StopIteration:
...
/usr/local/bin/python3.7 /Users/shijianzhong/study/PythonCookbook/chapter_4/t1_2.py True False ## # User Database
open对象是一个迭代器对象。
讨论：
内容太少，不写了
4.2 委托代理
问题
我们构建一个自定义的容器对象，对内部持有一个列表、元祖或者其他的可迭代对象。我们想让自己的新容器完成迭代操作。
解决：
迭代器需要有__iter__与__next__属性，通过iter函数执行返回一个迭代器是一个比较简单的好方法。
class Node:
def __init__(self, value):
self._value = value
self._children = []
def __repr__(self):
return 'Node({!r})'.format(self._value)
def add_child(self, node):
self._children.append(node)
# for循环首先调用对象的该方法，然后通过__next__方法读取参数，读取完，返回信息StopIteration
def __iter__(self):
return iter(self._children)
if __name__ == '__main__':
root = Node(0)
child1 = Node(1)
child2 = Node(2)
root.add_child(child1)
root.add_child(child2)
for ch in root:
print(ch)
/usr/local/bin/python3.7 /Users/shijianzhong/study/PythonCookbook/chapter_4/t2_2.py Node(1) Node(2) Process finished with exit code 0
讨论:
Python的迭代协议要求__iter__()返回一个特殊的迭代器对象，由该对象实现的__next__()方法来完成实际的迭代。
4.3 用生成器创建新的迭代模式
问题：
我们创建一个自己的迭代模式，使其区别于常见的内建函数(range(),recersed())
解决方案
创建一个生成器函数
def frange(start, stop, step):
x = start
while x < stop:
yield x
x += step
if __name__ == '__main__':
for n in frange(10, 12, 0.5):
print(n)
/usr/local/bin/python3.7 /Users/shijianzhong/study/PythonCookbook/chapter_4/t3_2.py 10 10.5 11.0 11.5 Process finished with exit code 0
讨论:
In [90]: def countdown(n):
...: print('Starting go count from', n)
...: while n > 0:
...: yield n
...: n -= 1
...: print('Dnne')
...:
In [91]: c= countdown(3)
In [92]: # 生成器函数运行的时候不执行
In [93]: next(c)
Starting go count from 3
Out[93]: 3
In [94]: # 第一次执行到yield n处
In [95]: next(c)
Out[95]: 2
In [96]: # 程序向下执行寻找下一个yield处
In [97]: next(c)
Out[97]: 1
In [98]: next(c)
Dnne
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-98-e846efec376d> in <module>
----> 1 next(c)
StopIteration:
In [99]: # 当next向下执行未能找到yiled，函数返回，迭代结束。
函数中只要出现了yield语句就会将其转变成一个生成器。与普通函数不同，生成器只会在响应迭代操作才运作。
生成器函数只会在响应迭代过程中的"next"操作时才会运行。一旦生成器函数返回，迭代就停止了
4.4 实现迭代协议
问题：创建一个对象，希望他可以支持迭代操作，但是也希望能有一种简单的方式来实现迭代。
解决方案：
主要实现了一个可以以深度优先的模式遍历树的节点。
class Node:
def __init__(self, value):
self._value = value
self._children = []
def __repr__(self):
return 'Node({!r})'.format(self._value)
def add_child(self, node):
self._children.append(node)
def __iter__(self):
return iter(self._children)
def depth_first(self):
# 首先返回自己，然后循环读取自己，for循环调用__iter__返回子生的迭代器内的内容
# 再词调用对象的depth_first方法进行递归。其实用双层的for循环比用yield form好理解一些
# yield form当用作委派生成器的时候用更加好。
yield self
for c in self:
for i in c.depth_first():
yield i
# 效果等同于上面的for循环，前面的yield from快忘光了
# yield from c.depth_first()
if __name__ == '__main__':
root = Node(0)
child1 = Node(1)
child2 = Node(2)
root.add_child(child1)
root.add_child(child2)
child1.add_child(Node(3))
child1.add_child(Node(4))
child2.add_child(Node(5))
for ch in root.depth_first():
print(ch)
/usr/local/bin/python3.7 /Users/shijianzhong/study/Fluent_Python/第十六章/coroaverager3.py 6 boys averaging 54.00kg 6 boys averaging 1.68m 6 girls averaging 44.00kg 6 girls averaging 1.58m Process finished with exit code 0
讨论：
书中还写以一种关联迭代器的写法，代码比较复杂，上面的用递归的方式，深度优先遍历对象，我对递归还是比较抵触的。
书中的代码还是上一下算了，写法可能复杂点，看能不能理解起来更加简单。
class Node:
def __init__(self, value):
self._value = value
self._children = []
def __repr__(self):
return 'Node({!r})'.format(self._value)
def add_child(self, node):
self._children.append(node)
def __iter__(self):
return iter(self._children)
def depth_first(self):
return DepthFirstIterator(self)
class DepthFirstIterator:
def __init__(self, start_node):
self._node = start_node
self._children_iter = None
self._child_iter = None
def __iter__(self):
return self
# 关键在与__next__具体的执行
def __next__(self):
# 第一次肯定执行这个，返回初始化的DepthFirstIterator里的self，也就是Node实例
if self._children_iter is None:
self._children_iter = iter(self._node)
return self._node
# 这个是第三步操作，从第二步的return那里过来
elif self._child_iter:
try:
nextchild = next(self._child_iter)
return nextchild
except StopIteration:
self._child_iter = None
return next(self)
# 第二步，从self._children_iter取出一个对象，执行depth_first方法
else:
# 执行这一步的时候已经产生了递归了，看的眼睛都涨死了
self._child_iter = next(self._children_iter).depth_first()
# 对自己进行下一步操作
return next(self)
if __name__ == '__main__':
root = Node(0)
child1 = Node(1)
child2 = Node(2)
root.add_child(child1)
root.add_child(child2)
c_child3 = Node(3)
c_child3.add_child(Node(88))
child1.add_child(c_child3)
child1.add_child(Node(4))
child2.add_child(Node(5))
for ch in root.depth_first():
print(ch)
第二种方法，代码更加复杂，而且从理解来看，一点也没的方便。
4.5 反向迭代
问题：
反向迭代序列中的元素
解决方案：
reversed函数实现
反向迭代只有待处理的对象拥有可确定的大小，或者对象实现了__reveresd__()方法时才能奏效。如果两个条件都无法满足，先转换为列表。
也就是说，不能对迭代器直接使用reversed函数。
讨论：
可以定义__reversed__方法的对象，给自己使用。
class Countdown:
def __init__(self, start):
self.start = start
# 从开始的数字开始
def __iter__(self):
n = self.start
while n > 0:
yield n
n += 1
# 从1开始到初始化的数字结束
def __reversed__(self):
n = 1
while n <= self.start:
yield n
n += 1
if __name__ == '__main__':
c =Countdown(10)
forward = iter(c)
reveres = reversed(c)
print(next(forward))
print(next(reveres))
4.6 定义带有额外状态的生成器函数
问题：
定义一个生成器函数，但是它涉及一些额外的状态，需要显示
解决方案：
定义一个类，需要显示的东西放在实例属性里面，生成器函数定义在__iter__里面，输出前几行的内容，很好的一个案例
from collections import deque
class Line_History:
def __init__(self, lines, histlen=3):
self.lines = lines,
self.history = deque(maxlen=histlen)
def __iter__(self):
for lineno, line in enumerate(self.lines, start=1):
# 读取行号与内容放去双端队列里面去
self.history.append((lineno, line))
yield line
def clear(self):
self.history.clear()
if __name__ == '__main__':
with open('sometext') as f:
# f是一个迭代器，我测试过
lines = Line_History(f)
# 调用iter方法
for line in lines:
if 'python' in line:
# 输出对象属性的双端队列里面的内容
for lineno, hline in lines.history:
print('{}:{}'.format(lineno, hline), end='')
讨论：
就是解决方案里面的第一句话
4.7对迭代器做切片操作
问题：
相对迭代器进行切片
解决方案：
itertools.islice函数
讨论：
islice是通过访问并丢弃所有起始索引之前的元素来实现的，之后的元素有islice对象产出。
操作islice对象的时候，其实就是在操作原来的对象，如果还需要倒回访问前面的数据，就应该先将数据转到列表中去。
4.8跳过可迭代对象中的前一部分元素
问题：
对一个可迭代对象处理，但对前面的几个元素不感兴趣，想把它们丢弃
解决方案:
itertools.dropwhile函数可以实现。
In [72]: from itertools import dropwhile
In [73]: dropwhile?
Init signature: dropwhile(self, /, *args, **kwargs)
Docstring:
dropwhile(predicate, iterable) --> dropwhile object
Drop items from the iterable while predicate(item) is true.
Afterwards, return every element until the iterable is exhausted.
Type: type
Subclasses:
第一个参数为函数，第二个参数为操作的迭代对象。
当满足函数的条件时，这些可迭代对象里面的元素将被忽略，直到出现不满足条件的元素出现，包含这个不满足条件的元素以及后面的元素都将不被筛选直接返回。
讨论：
dropwhile与islice都是很好用的函数，以后要记得。
4.9迭代所有的组合或排列
专门写过
combinations组合，不关心元素的位置
permutations排列，考虑元素的位置不同
4.10 以索引-值对的形式迭代序列
问题：
想处理一个序列，但是想记录下序列中当前处理到的元素索引。
解决方案：
enumerate是一个很好的函数，对于追踪文本操作还是非常有用的。上一个书中的经典代码
from collections import defaultdict
# 创建一个默认字典
word_summary = defaultdict(list)
with open('myfile.txt') as f:
# 按行读取所有的内容
lines = f.readlines()
for idx, line in enumerate(lines):
# 每个单词变小写，前后取出空格
words = [w.strip().lower() for w in line.split()]
# 读取单词放入，用单词做key将每一行放入value
for word in words:
word_summary[word].append(idx)
讨论:
enumerate()的返回值是一个enumerate对象实例，它是一个迭代器，可返回连续的元祖。元祖有一个索引值和对传入的序列iter以后调用next()而得到的值组成。
4.11 同时迭代多个序列
zip与itertools.zip_longest
前期已经详细介绍，略。
4.12 在不同的容器中进行迭代
问题：
需要对许多对象执行相同的操作，但是这些对象包含在不同的容器内，为了避免写出嵌套的循环处理，保持代码的可读性
解决方案:
itertools.chain
讨论:
for x in a+b: ... for x in chain(a, b): ...
第一种方式，需要a与b为同一种类型，而且会产生一个全新的序列，第二种方式的内存使用要小，因为chain返回的是一个迭代器
4.13 创建处理数据管道
问题：
我们要处理海量的数据，但是没办法将数据全部加载到内存中去
解决方案：
通过定义一系列小型的生成器函数，每个函数执行特定的独立任务
import os
import fnmatch
import gzip
import bz2
import re
def gen_find(filepat, top):
'''
找出需要处理的文件的绝对路径
'''
for path, dirlist, filelist in os.walk(top):
# 取出指定文件名的文件
for name in fnmatch.filter(filelist, filepat):
yield os.path.join(path, name)
def gen_opener(filenames):
# 打开文件，产出文件内容流
for filename in filenames:
if filename.endswith('.gz'):
f = gzip.open(filename, 'rt')
elif filename.endswith('.bz2'):
f = bz2.open(filename, 'rt')
else:
f = open(filename, 'rt')
yield f
f.close()
def gen_concatenate(iterators):
# for循环接收上一个生成器出来的文件流对象，通过yield from产出每一个行
for it in iterators:
yield from it
def gen_grep(pattern,lines):
pat = re.compile(pattern)
for line in lines:
print(line)
if pat.search(line):
yield line
if __name__ == '__main__':
lognames = gen_find('1.txt','../chapter_4')
files = gen_opener(lognames)
lines = gen_concatenate(files)
pylines = gen_grep('(.*)',lines)
for line in pylines:
print(line)
讨论：
通过前面的代码，我们可以分析看到，yield变现为数据的生产者，for表现为数据的消费者
每一个生成器函数里面，都有for循环来接收上一级的产出，然后通过yield语句为下一个生成器函数产出数据。
当最终的执行的时候，会调用每一层的生成器函数，这个感觉就想变速箱的齿轮，一个转动，每个都开始动起来了。
这里面最关键的是for循环接收上一次生成器函数的产出数据，和自身yield产出数据给下一层使用者。
4.14扁平化处理嵌套型的序列
问题：
一个嵌套的序列，需要扁平化处理一列单独的值
解决方案：
主要是通过递归的方式处理，书中还用了yield from
from collections.abc import Iterable
def flatten(items, ignore_types=(str, bytes)):
for x in items:
# 如果是迭代的对象并且不是字符串，字节码
if isinstance(x, Iterable) and not isinstance(x, ignore_types):
# 进入递归
# yield from flatten(x)
# 第二种写法
for i in flatten(x):
yield i
else:
yield x
items = [1, 2, [3,[4,]],5]
if __name__ == '__main__':
print(list(flatten(items)))
讨论：
内容已经在代码里的，yield from在流畅的Python中有着更加详细的介绍，书中的写法只不过用到了其中的一点点功能，但对于递归，我是真的头痛，想多了脑子就想炸了。
从这里简单的用法来看，yield from会将一个可迭代对象变成迭代器，并产出迭代器内部的值（这里用到的功能）。
4.15 合并多个有序序列，再对整个有序序列进行迭代
问题：
有两个有序的序列，相对它们合并在一起之后的有序序列进行迭代
解决方案：
heapq.merge函数实现，返回一个生成器，非常节省内存
In [1]: import heapq In [2]: l1 = [1,2,3,4,] In [3]: l2 = [3,4,5,6] In [4]: l3 = heapq.merge(l1,l2) In [5]: l3 Out[5]: <generator object merge at 0x1060af5d0> In [6]: list(l3) Out[6]: [1, 2, 3, 3, 4, 4, 5, 6]
讨论:
heapq.merge的迭代性质意味着它对所有提供的序列不会做一次性读取。这意味着可以利用它处理非常长的序列，而开销非常小。
heapq.mergr要求输入的序列都是有序的。
4.16用迭代器取代while循环
问题：
我们的代码采用while循环来迭代处理数据，因为这其中涉及调用某个函数或有某种不常见的测试条件，而这些东西没法归类为常见的迭代模式。
解决方法：
iter(func,condition)，通过iter的哨兵作为停止条件。
import random
CHUNKSIZE = 8192
def reader(s):
while True:
data = s.recv(CHUNKSIZE)
if data == b'':
break
process_data(data)
# 用iter写
def reader(s):
for chuck in iter(lambda :s.recv(CHUNKSIZE), b''):
process_data(chuck)
if __name__ == '__main__':
# 自己回忆了一下，以前流畅的Python中的案例。
for i in iter(lambda :random.randint(1,10),8):
print(i)
讨论：
iter()可以接收一个无参的可调用对象以及一个哨兵（结束）值作为输入。当以这种方式使用时，iter()会创建一个迭代器，然后重复调用用户提供的可调用对象，直到它返回哨兵值为止。
这个在涉及到I/O的问题有很好的效果。