python---基础知识回顾（七）迭代器和生成器

前戏：迭代器和生成器

迭代：

如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。

Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上（用isinstance判断）

可以直接作用于for循环的对象统称为可迭代对象

可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；（称为容器<容器是一种把多个元素组织在一起的数据结构>，很多容器都是可迭代的）
一类是generator，包括生成器和带yield的generator function。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

（一）迭代器

一个实现了__iter__方法的对象是可迭代的，一个实现了__next__方法的对象则是迭代器

对于序列和字典的可迭代，是因为在该对象中实现了上面的两个方法

__iter__方法会返回一个迭代器，而所谓的迭代器就是具有__next__方法的对象。在调用__next__方法时，迭代器会返回他的下一个值。若是next方法被调用牡丹石迭代器中没有值可以返回，就会引发一个StopIteration异常

迭代器的优点：需要数据就去获取，而不是一次获取全部数据

相对于我们一次性取出数据，放在列表等类型中，若数据量过大，那么列表会占据大量的内存。而且对于这些数据，我们若是只使用一次就释放的话，那么放在列表中实在是太过浪费内存。
更好的方法就是使用迭代器。迭代器只会取出当前需要的数据方法内存中。

例如Django中的queryset惰性机制中就有提及迭代器的好处（在处理大量的数据时）

栗子：不使用列表的案例，因为如果使用列表，那么列表长度将会是无穷大。占据空间将会是巨大的。

斐波那契数列：

class Fibs:
    def __init__(self):
        self.a = 0
        self.b = 1

    def __next__(self):
        self.a,self.b = self.b,self.a+self.b
        return self.a

    def __iter__(self):
        return self

f = Fibs()

for i in f:
    if i > 1000:
        print(i)    #1597
        break

补充：内建函数iter可以从可迭代的对象中获取迭代器

>>> a = [1,2,3,]
>>> b = iter(a)
>>> type(b)
<class 'list_iterator'>
>>> next(b)
1
>>> next(b)
2
>>> next(b)
3
>>> next(b)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

可以知道迭代器是一次性消耗品（只会向前获取，不会向后获取），当耗尽时就会触发StopIteration异常
若是想保留一份数据，可以用deepcopy

从迭代器中获取序列：

class Fibs:
    def __init__(self):
        self.a = 0
        self.b = 1

    def __next__(self):
        self.a,self.b = self.b,self.a+self.b
        if self.a > 1597:
            raise StopIteration
        return self.a

    def __iter__(self):
        return self

f = Fibs()

ls = list(f)
print(ls) #[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597]

使用list构造方法显示的将迭代器转换为列表

class list(object):
        def __init__(self, seq=()): # known special case of list.__init__
        """
        list() -> new empty list
        list(iterable) -> new list initialized from iterable's items
　　　　 (若是迭代器，那么新的列表则是迭代器的所有成员，结束是以StopIteration为标志，若是上面没有触发，那么会一直去扩展列表)
        # (copied from class doc)
        """
        pass

 结束

---

应该还记得列表推导式（生成式）<顺道回忆下lambda表达式>

>>> [x for x in range(100) if x % 7 == 0]
[0, 7, 14, 21, 28, 35, 42, 49, 56, 63, 70, 77, 84, 91, 98]

通过列表推导式，我们可以直接生成一个列表，同样的，这个列表的内存也是受到限制的，当我们使用列表推导式，一次生成一个超大数量的列表，会占据大量内存，然而，若我们只是访问了前面几个，那么后面的空间占用几乎是无用的。

for i in [x for x in range(100) if x % 7 == 0]:
    if i < 50:
        print(i)
    else:
        break

在上面案例中，我们只是想去获取满足条件的数据的一部分。但是在进行循环时，并不会立刻进行，而是需要将列表生成式全部执行后，才允许去进行循环。而我们所需要的数据仅仅是列表中的前一部分，但是列表推导式一次性将数据全部生成。占据大量无用的空间。那么我们是否可以做到像迭代器那样，需要的时候再去获取。从而避免数据冗余

（二）生成器

生成器都是迭代器。生成器是一种用普通函数语法定义的迭代器

创建一个生成器方法有多种：

其中第一种与列表推导式十分相似，只是需要将中括号[]变为小括号()

>>> b = [x for x in range(100) if x % 7 == 0]
>>> type(b)
<class 'list'>
[0, 7, 14, 21, 28, 35, 42, 49, 56, 63, 70, 77, 84, 91, 98]

>>> b = (x for x in range(100) if x % 7 == 0)
>>> type(b)
<class 'generator'>
>>> next(b)
0
>>> next(b)
7
>>> next(b)
14
>>> for i in b:
... print(i)

当数据全部取出后也会触发StopIteration错误

另外一种是：任何包括yield语句的函数都可以称为生成器。

这里同样以斐波那契数列为例：

def fibs(max):
    n,a,b = 0,0,1
    while n < max:
        yield a　　#yield语句
        n += 1
        a, b = b, a+b


f = fibs(8)

for i in f:
    print(i)    #0 1 1 2 3 5 8 13

生成器和普通函数的行为有很大的区别。

1. 不像return返回一次结果就结束函数，而是可以返回多次结果。从什么for循环可以看出，这一个函数返回了不止一次结果
2. 每产生一个值（即在yield语句中返回的值），函数就会被冻结，不在执行：即函数停在那点等待被重新唤醒。被重新唤醒后就从之前通知的那点开始执行

def 函数:
    ...
    yield  1    执行第一次后返回值1后冻结，不在执行，等待第二次
    ...    #执行第二次时会向下继续执行，直到下一次yield
    ...
    ...
    yield  2    #第二次冻结（这个过程包括了执行上面的逻辑语句）
    ...
    ...
    ...
    yield  3

案例：

>>> def flatten(nested):
...     for sublist in nested:
...             for ele in sublist:
...                     yield ele

>>> for num in flatten(nested):
...     print(num)
...
1
2
3
4
5
>>>

也可以同上面迭代器一样使用list显示转换为列表。

>>> list(flatten(nested))
[1, 2, 3, 4, 5]
>>>

但是这样会立刻实例化列表，丧失了迭代的优势。

def nrange(num):
    temp = -1
    while True:
        temp = temp + 1
        if temp >= num:
            return
        else:
            yield temp

for i  in nrange(10):
    print(i)

通用生成器：

生成器是一个包含yield关键字的函数。当他被调用的时候，在函数体中的代码不会执行，而是会返回一个迭代器。每次请求一个值，就会执行生成器中的代码，直到遇到一个yield或者return语句。（yield意味着生成一个值，并冻结执行，等待下一次执行。return意味着生成器要通知执行）

生成器由两部分组成：生成器的函数和生成器的迭代器。生成器的函数使用def语句定义的，包含yield的。生成器的迭代器是这个函数的返回部分。合在一起就是生成器。

生成器方法：

生成器中新特征：可以为生成器提供值，而不是只像上面那样生成器为外面返回值。生成器内外可以进行交流

外部作用域访问生成器的send方法，可以向生成器内部传递消息（任意对象）,此时yield不再是一个返回值语句，而是一个表达式

send方法和yield语句的执行区别：

yield

def rep2(val):
    yield val
    print("aaa")
    val += 10
    print("bbb")
    yield val

r = rep2(33)

print(next(r))　　#可以看出，执行yield返回值后，就冻结在该条语句，不再向下执行，只有当下一个next出现，才会继续执行

def rep(val):new = (yield val)　　#接收send发送过来的数据
        if new:
            print(new)
        new = (yield val)
        if new:
            print(new)

f = rep(33)
v = next(f)

f.send("dsad")　　#会打印出来dasd　　可以看出，当send发送数据后，在接收数据后，会继续向下执行，直到下一个yield表达式出现

send方法使用：

注意：在使用send方法时，只有当生成器挂起以后才有意义（也就是说：在yield函数第一次执行之后）

def rep(val):
        new = (yield val)
        if new:
            print(new)
        new = (yield val)
        if new:
            print(new)

开始执行：

若没有将生成器挂起：

TypeError: can't send non-None value to a just-started generator

所以，我们在使用时需要先挂起生成器。挂起方法有两种：

第一种：

r = rep(33)
v = next(r)　　#这里正常执行next获取yield返回，后面就可以正常使用send
print(v)

r.send("dsad")
r.send("dsadds")

第二种（由刚刚的TypeError可以知道不能send一个非None值，在第一次时，所以我们可以直接在第一次时send(None)）：

r.send(None)
r.send("dsad")
r.send("dsadds")

两种方法，强烈推荐第二种

原因：使用send方法时，需要注意两点

1.需要先将生成器挂起，此时才有意义

2.send方法第一次使用时，也是需要进行一次next()方法执行，或者send(None)执行

第2条件是在我们使用send前有其他yield语句返回时，可以了解到

def rep(val):
        yield val
        new = (yield val)
        if new:
            print(new)
        new = (yield val)
        if new:
            print(new)

r = rep(33)
v = next(r)　　#挂起生成器
print(v)
v = next(r)　　#激活send方法
print(v)
r.send("dsad")
r.send("dsadds")
----------------
正常输出
#33
#33
#dsad
#dsadds

若是只是挂起了生成器，没有激活send方法，那么默认第一个send方法会拿去激活
r = rep(33)
v = next(r)
print(v)

# v = next(r)　　#没有去激活send方法
# print(v)

r.send("dsad")　　#第一个send方法会被用到去激活send
r.send("dsadds")　　　　#这个才是正常的信息传入
----------

　#33
　#dsadds

所以我们最好使用send(None)表示去激活send方法，不易混淆

def rep(val):
        yield val
        new = (yield val)
        if new:
            print(new)
        new = (yield val)
        if new:
            print(new)



r = rep(33)

v = next(r)    #挂起生成器 　　　　　　　　也可以用send(None)去挂起生成器，但是还是不要这样做，两个套用容易混淆
print(v)

r.send(None)    #激活send方法（在首次使用send时使用）

r.send("dsad")
r.send("dsadds")
--------------

　#33
　#dsad
　#dsadds

另外补充下send方法会获取到yield表达式中的返回值

def rep(val):
        yield val
        new = (yield val)
        if new:
            print(new)
        new = (yield val)
        if new:
            print(new)



r = rep(33)
v = next(r)
print(v)

v = r.send(None)
print(v,1)
v = r.send("dsad")
print(v,2)
v = r.send("dsadds")　　#在最后一个send方法时，没有返回值
print(v,3)
-----------------------
33
33 1
dsad
33 2
dsadds

send方法会依次获取yield表达式的返回值，所以在第三个send方法使用时，并没有yield与之对应，所以没有值。

具体原因暂不讨论。

注意区分yield语句和yield表达式

生成器的定义是：包含yield语句的函数是生成器

再进一步讨论：send方法

def rep(val):
        yield val　　#这里已经含有yield语句，此函数是生成器，我们在下面执行的next()只是正常执行这条语句
        print("t1")
        new = (yield val)
        print("t2")
        if new:
            print("t3")
            print(new)
        new = (yield val)
        if new:
            print(new)
r = rep(33)

（1）：正常执行yield语句（行2），返回值，并且冻结到行2，不在向下执行

v = next(r)
print(v)
-------
#33

那么如何执行到下面的yield表达式

（2）这时就需要一条语句，去联系yield语句和yield表达式

v = next(r)
print(v)

v = r.send(None)　　
print(v,1)
---------------------
33


t1
33 1
由上面的两个结果可以看出send(None)执行的语句是

yield val
print("t1")
new = (yield val)

这两条描红语句，由上面的yield语句，执行到下面yield表达式中的返回值语句中，所以send(None)的返回值就是这里的yield返回的值

（3）下面的send方法执行一致

v = next(r)
print(v)

v = r.send(None)
print(v,1)
v = r.send("dsad")
print(v,2)

----------------------
33
t1
33 1

由上面（2）的yield表达式开始（原来只是执行到返回值），现在开始赋值（send("dasd")）传递进去，然后执行到下一条yield返回值语句
t2
t3
dsad
------------------------

new = (yield val)　　从这里赋值开始，到下面返回值结束
print("t2")
if new:
    print("t3")
    print(new)
new = (yield val)

 （4）最后一步执行

v = next(r)
print(v)

v = r.send(None)
print(v,1)
v = r.send("dsad")
print(v,2)
v = r.send("dsadds")
print(v,3)

--------------------------
33
t1
33 1
t2
t3
dsad
33 2
dsadds
--------------------------

new = (yield val)
if new:
    print(new)

这里语句中不在含有返回值，所以我们最后无法接收到值

当前面没有yield语句时，执行也是相似的

def rep(val):
        # yield val
        print("t1")　　　　　　#先执行print('t1')和yield val
        new = (yield val)　　 #然后执行赋值和向下执行到下一个yield 返回值语句
        print("t2")
        if new:
            print("t3")
            print(new)
        new = (yield val)　　#执行赋值，并且将下面语句执行完成*无返回值
        if new:
            print(new)

-----------------------

r = rep(33)

v = r.send(None)
print(v,1)
v = r.send("dsad")
print(v,2)
v = r.send("dsadds")
print(v,3)　　　　#由于无返回值，不会去执行

-----------------------

t1
33 1
t2
t3
dsad
33 2
dsadds

可以看为：

若前面没有yield语句，则需要进行生成器挂起。（使用next或者send(None)）,然后再使用send执行，方法相似

若有yield语句，就已经是生成器，我们只需要正常执行他（使用next或者send(None)）,然后需要再次使用去激活send方法（连接yield语句和yield表达式中的返回值语句）.....

案例：生成器实现文件流

#文件输入流
def FileInputStream(filename):
    try:
        f = open(filename,"r")
        for line in f:
            for byte in line:　　#按字节获取数据
                yield byte
    except Exception as e:
        print(repr(e))  #正常读取文件无错误
    finally:
        f.close()
        return

#文件输出流
def FileOutputStream(inputStream,filename):
    try:
        f = open(filename,"w")
        while True:
            byte = next(inputStream)    #若是在调用next方法时，迭代器没有值可以返回，就会引发一个StopIteration错误
            f.write(byte)
    except StopIteration as e:
        print(repr(e))  #StopIteration()
        f.close()
        return

FileOutputStream(FileInputStream('f'),"t2")