什么是迭代器
顧名思義，迭代器就是用於迭代操作（for 循環）的對象，它像列表一樣可以迭代獲取其中的每一個元素，任何實現了 __next__ 方法 （python2 是 next）的對象都可以稱為迭代器。
它與列表的區別在於，構建迭代器的時候，不像列表把所有元素一次性加載到內存，而是以一種延遲計算（lazy evaluation）方式返回元素，這正是它的優點。比如列表含有中一千萬個整數，需要占超過400M的內存，而迭代器只需要幾十個字節的空間。因為它並沒有把所有元素裝載到內存中，而是等到調用 next 方法時候才返回該元素（按需調用 call by need 的方式，本質上 for 循環就是不斷地調用迭代器的next方法）。
以斐波那契數列為例來實現一個迭代器：
class Fib:
def __init__(self, n):
self.prev = 0
self.cur = 1
self.n = n
def __iter__(self):
return self
def __next__(self):
if self.n > 0:
value = self.cur
self.cur = self.cur + self.prev
self.prev = value
self.n -= 1
return value
else:
raise StopIteration()
# 兼容python2
def __next__(self):
return self.next()
f = Fib(10)
print([i for i in f])
#[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]什么是生成器
知道迭代器之后，就可以正式進入生成器的話題了。普通函數用 return 返回一個值，和 Java 等其他語言是一樣的，然而在 Python 中還有一種函數，用關鍵字 yield 來返回值，這種函數叫生成器函數，函數被調用時會返回一個生成器對象，生成器本質上還是一個迭代器，也是用在迭代操作中，因此它有和迭代器一樣的特性，唯一的區別在於實現方式上不一樣，后者更加簡潔
最簡單的生成器函數：
>>> def func(n):
... yield n*2
...
>>> func
<function func at 0x00000000029F6EB8>
>>> g = func(5)
>>> g
<generator object func at 0x0000000002908630>
>>>func 就是一個生成器函數，調用該函數時返回對象就是生成器 g ，這個生成器對象的行為和迭代器是非常相似的，可以用在 for 循環等場景中。注意 yield 對應的值在函數被調用時不會立刻返回，而是調用next方法時（本質上 for 循環也是調用 next 方法）才返回
>>> g = func(5)
>>> next(g)
10
>>> g = func(5)
>>> for i in g:
... print(i)
...
10那為什么要用生成器呢？顯然，用生成器在逼格上要比迭代器高幾個等級，它沒有那么多冗長代碼了，而且性能上一樣的高效，為什么不用呢？來看看用生成器實現斐波那契數列有多簡單。
def fib(n):
prev, curr = 0, 1
while n > 0:
n -= 1
yield curr
prev, curr = curr, curr + prev
print([i for i in fib(10)])
#[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]生成器表達式
器表達式與列表推導式長的非常像，但是它倆返回的對象不一樣，前者返回生成器對象，后者返回列表對象。
>>> g = (x*2 for x in range(10))
>>> type(g)
<type 'generator'>
>>> l = [x*2 for x in range(10)]
>>> type(l)
<type 'list'>前面已經介紹過生成器的優勢，就是迭代海量數據時，顯然生成器更合適。
Python中生成器和迭代器的區別(代碼在Python3.5下測試)：
Num01–>迭代器
定義：
對於list、string、tuple、dict等這些容器對象,使用for循環遍歷是很方便的。在后台for語句對容器對象調用iter()函數。iter()是python內置函數。
iter()函數會返回一個定義了next()方法的迭代器對象，它在容器中逐個訪問容器內的元素。next()也是python內置函數。在沒有后續元素時，next()會拋出一個StopIteration異常，通知for語句循環結束。
迭代器是用來幫助我們記錄每次迭代訪問到的位置，當我們對迭代器使用next()函數的時候，迭代器會向我們返回它所記錄位置的下一個位置的數據。實際上，在使用next()函數的時候，調用的就是迭代器對象的_next_方法（Python3中是對象的_next_方法，Python2中是對象的next()方法）。所以，我們要想構造一個迭代器，就要實現它的_next_方法。但這還不夠，python要求迭代器本身也是可迭代的，所以我們還要為迭代器實現_iter_方法，而_iter_方法要返回一個迭代器，迭代器自身正是一個迭代器，所以迭代器的_iter_方法返回自身self即可。
一些術語的解釋：
1，迭代器協議：對象需要提供next()方法，它要么返回迭代中的下一項，要么就引起一個StopIteration異常，以終止迭代。
2，可迭代對象：實現了迭代器協議對象。list、tuple、dict都是Iterable（可迭代對象），但不是Iterator（迭代器對象）。但可以使用內建函數iter()，把這些都變成Iterable（可迭代器對象）。
3，for item in Iterable 循環的本質就是先通過iter()函數獲取可迭代對象Iterable的迭代器，然后對獲取到的迭代器不斷調用next()方法來獲取下一個值並將其賦值給item，當遇到StopIteration的異常后循環結束
Python自帶容器對象案例：
# 隨便定義一個list
listArray=[1,2,3]
# 使用iter()函數
iterName=iter(listArray)
print(iterName)
# 結果如下：是一個列表list的迭代器
# <list_iterator object at 0x0000017B0D984278>
print(next(iterName))
print(next(iterName))
print(next(iterName))
print(next(iterName))#沒有迭代到下一個元素，直接拋出異常
# 1
# 2
# 3
# Traceback (most recent call last):
# File "Test07.py", line 32, in <module>
# StopIteration
Python中一個實現了_iter_方法和_next_方法的類對象，就是迭代器，如下案例是計算菲波那切數列的案例
class Fib(object):
def __init__(self, max):
super(Fib, self).__init__()
self.max = max
def __iter__(self):
self.a = 0
self.b = 1
return self
def __next__(self):
fib = self.a
if fib > self.max:
raise StopIteration
self.a, self.b = self.b, self.a + self.b
return fib
# 定義一個main函數，循環遍歷每一個菲波那切數
def main():
# 20以內的數
fib = Fib(20)
for i in fib:
print(i)
# 測試
if __name__ == '__main__':
main()
解釋說明：
在本類的實現中，定義了一個_iter_(self)方法，這個方法是在for循環遍歷時被iter()調用，返回一個迭代器。因為在遍歷的時候，是直接調用的python內置函數iter()，由iter()通過調用_iter_(self)獲得對象的迭代器。有了迭代器，就可以逐個遍歷元素了。而逐個遍歷的時候，也是使用內置的next(）函數通過調用對象的_next_(self)方法對迭代器對象進行遍歷。所以要實現_iter_(self)和_next_(self)這兩個方法。
而且因為實現了_next_(self)方法，所以在實現_iter_(self)的時候，直接返回self就可以。
總結一句話就是：
在循環遍歷自定義容器對象時,會使用python內置函數iter()調用遍歷對象的_iter_(self)獲得一個迭代器,之后再循環對這個迭代器使用next()調用迭代器對象的_next_(self)。
注意點：_iter_(self)只會被調用一次,而_next_(self)會被調用 n 次，直到出現StopIteration異常。
Num02–>生成器
作用：
>延遲操作。也就是在需要的時候才產生結果，不是立即產生結果。
注意事項：
>生成器是只能遍歷一次的。
>生成器是一類特殊的迭代器。
分類：
第一類：生成器函數：還是使用 def 定義函數，但是，使用yield而不是return語句返回結果。yield語句一次返回一個結果，在每個結果中間，掛起函數的狀態，以便下次從它離開的地方繼續執行。
如下案例加以說明：
# 菲波那切數列
def Fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return '親！沒有數據了...'
# 調用方法，生成出10個數來
f=Fib(10)
# 使用一個循環捕獲最后return 返回的值，保存在異常StopIteration的value中
while True:
try:
x=next(f)
print("f:",x)
except StopIteration as e:
print("生成器最后的返回值是：",e.value)
break
第二類：生成器表達式：類似於列表推導，只不過是把一對大括號[]變換為一對小括號()。但是，生成器表達式是按需產生一個生成器結果對象，要想拿到每一個元素，就需要循環遍歷。
如下案例加以說明：
# 一個列表
xiaoke=[2,3,4,5]
# 生成器generator，類似於list，但是是把[]改為()
gen=(a for a in xiaoke)
for i in gen:
print(i)
#結果是：
# 為什么要使用生成器？因為效率。
# 使用生成器表達式取代列表推導式可以同時節省 cpu 和 內存(RAM)。
# 如果你構造一個列表(list)的目的僅僅是傳遞給別的函數,
# 比如 傳遞給tuple()或者set(), 那就用生成器表達式替代吧!
# 本案例是直接把列表轉化為元組
kk=tuple(a for a in xiaoke)
print(kk)
#結果是：
(2, 3, 4, 5)
# python內置的一些函數，可以識別這是生成器表達式，外面有一對小括號，就是生成器
result1=sum(a for a in range(3))
print(result1)
# 列表推導式
result2=sum([a for a in range(3)])
print(result2)
————————————————
版權聲明：本文為CSDN博主「ITxiaoke」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/u014745194/article/details/70176117