Python 高级特效 - 生成器 ( Generator)
生成器是一种一边循环一边计算的机制,通过列表生成式，可以直接创建一个列表，但是受到内存的限制，列表容量是有限的，当列表元素很大的时候，会很浪费内存空间。所以可以通过生成器 Generator 生成，它的作用相比列表，内存占用少，节约资源。
创建生成器有两种方法，一种是把列表生成式的中括号 [ ] 改成小括号 ( )，一种是函数中包含yield关键字。
1.列表生成式与生成器
可见，列表生成式和生成器的类型分别为 列表 (list) 和 生成器（generator)
print(type([x * 2 for x in range(1,10)]))print(type((x * 2 for x in range(1, 10))))
对比列表和生成器占用内存的字节，分别为 168 和 96，这好像区别不太大
lst = [x * 2 for x in range(1, 10)]
lst_generator = (x * 2 for x in range(1, 10))print(lst.__sizeof__())
print(lst_generator.__sizeof__())
当选取的范围增大到10000000后，就有非常明显的差别，可见列表占用内存明显是增大好多倍，和范围值成正比，也就说明列表里的元素越多，占用的内存资源就越大。因此，生成器是有明显的优势。
lst = [x * 2 for x in range(1, 10000000)]
lst_generator = (x * 2 for x in range(1, 10000000))print(lst.__sizeof__())
print(lst_generator.__sizeof__())
2.函数生成器
假如要读取一个大文本文件，如果使用列表推导式写起来会比较麻烦，也不易于阅读，此时可以用函数来实现。
def read_large_file(file):with open(file=file, encoding="utf8") as f:lines = f.readlines()for line in lines:yield linefor i in read_large_file("c:/test_file.txt"):print(i)
上一期介绍了递归中 斐波那契数列，也可以用函数生成器的写法实现。yield相当于 return 返回一个值，并且记住这个返回值的位置，下次迭代时，代码从yield的下一条语句开始执行。
def fib(number):"""number表示最大数量"""n, a, b = 0, 0, 1while n < number:yield ba, b = b, a + bn = n + 1for i in fib(10):print(i)
那么，生成器怎样去实现取值呢？ 生成器也有迭代的属性，也可以理解为它也是迭代器。可以用 next()函数去获取，它是Python内置的函数之一，用于迭代器对象中获取下一个元素。它接受一个迭代器对象作为参数，并返回迭代器对象的下一个数据元素。如果迭代器对象已经到达末尾，则抛出StopIteration异常。
分别取2个值
generator = (x*2 for x in range(1,3))print(next(generator))
print(next(generator))
当超出 range 取值范围时，会抛出异常
generator = (x*2 for x in range(1,3))print(next(generator))
print(next(generator))
print(next(generator))
刚才说了，既然生成器也是有迭代属性，那么我们就不需要逐个用 next() 方法去获取值，直接用循环就可以了。
generator = (x*2 for x in range(1,3))for i in generator:print(i)
但作为迭代器的循环和普通列表循环是有区别的，迭代器循环完成遍历后，再运行第二次循环，返回的是空值，而不像列表那样，可以无限执行循环取值。
generator = (x*2 for x in range(1,3))for i in generator:print(i)for i in generator:print(i)
最后简单介绍字典作为迭代器的取值默认属性为 Key， 其中 iter() 函数是可以把有序序列转变为迭代器。
dict = {'one':1, 'two':2, 'three':3}
iter_dict = iter(dict)for i in iter_dict:print(i)
同样，也可以取字典迭代器的 value， 可以通过字典取value，再转换迭代器，这里不再重复演示。