迭代器与生成器

一.迭代和可迭代协议

　　迭代：简单来说，就是可以将数据集内的数据一个挨一个取出来

　　可以被迭代要满足的要求就是可迭代协议，要想可迭代，内部必需有一个_iter_方法

二.迭代器

　　迭代器遵循协议：必须有_iter_、_next_方法

　　迭代器的_next_方法（不依赖for循环实现遍历）

l = [1,2,3,4]
l_iter = l.__iter__()
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)

　　由于元素只有四个，所以迭代不到数据会报错（用异常处理机制解决）

l = [1,2,3,4]
l_iter = l.__iter__()
while True:
    try:
        item = l_iter.__next__()
        print(item)
    except StopIteration:
        break

　　range()  (可迭代的对象，但不是一个迭代器）

三.生成器

　　两种迭代器：

　　一种是调用方法直接返回的，一种是可迭代对象通过执行_iter_方法，迭代器有个好处就是可以节省内存

　　我们自己写的实现迭代器功能的东西就叫迭代器

　　python中提供的生成器

　　1.生成器函数：常规函数定义，但是使用的是yield返回语句而不是return语句返回的结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次从它离开的地方继续执行。

　　2.生成器表达式：类似于列表推导，但是生成器返回按需产生结果的一个对象，而不是一次产生一个结果列表

　　生成器本质：迭代器，自带了iter和next方法，不用我们去实现

　　特点：惰性运算，开发者自定义

四.生成器函数

　　一个包含yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值，但是yield又不同于return，return的执行意味着程序的结束，调用生成器函数不会得到返回的具体的值，而是得到一个可迭代的对象。每一次获取这个可迭代对象的值，就能推动函数的执行，获取新的返回值。直到函数执行结束。

import time
def genrator_fun1():
    a = 1
    print('现在定义了a变量')
    yield a
    b = 2
    print('现在又定义了b变量')
    yield b

g1 = genrator_fun1()
print('g1 : ',g1)       #打印g1可以发现g1就是一个生成器
print('-'*20)   #我是华丽的分割线
print(next(g1))
time.sleep(1)   #sleep一秒看清执行过程
print(next(g1))

　　生成器监听文件输入的内容

import time

def tail(filename):
    f = open(filename)
    f.seek(0, 2) #从文件末尾算起
    while True:
        line = f.readline()  # 读取文件中新的文本行
        if not line:
            time.sleep(0.1)
            continue
        yield line

tail_g = tail('tmp')
for line in tail_g:
    print(line)

　　计算移动平均值

def averager():
    total = 0.0
    count = 0
    average = None
    while True:
        term = yield average
        total += term
        count += 1
        average = total/count


g_avg = averager()
next(g_avg)
print(g_avg.send(10))
print(g_avg.send(30))
print(g_avg.send(5))

　　预激协程装饰器

def init(func):  #在调用被装饰生成器函数的时候首先用next激活生成器
    def inner(*args,**kwargs):
        g = func(*args,**kwargs)
        next(g)
        return g
    return inner

@init
def averager():
    total = 0.0
    count = 0
    average = None
    while True:
        term = yield average
        total += term
        count += 1
        average = total/count


g_avg = averager()
# next(g_avg)   在装饰器中执行了next方法
print(g_avg.send(10))
print(g_avg.send(30))
print(g_avg.send(5))

预激协程的装饰器

　　yield from

def gen1():
    for c in 'AB':
        yield c
    for i in range(3):
        yield i

print(list(gen1()))

def gen2():
    yield from 'AB'
    yield from range(3)

print(list(gen2()))

yield from

　　总结：列表解析和生成器表达式相比，后者更节省内存