python迭代器与生成器

本文转载于Python迭代器,生成器–精华中的精华 - Winter_Ding

迭代器

迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束。迭代器只能往前不会后退,不过这也没什么,因为人们很少在迭代途中往后退。另外,迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素,而在这之前或之后,元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合,比如几个G的文件。

特点:

  1. 访问者不需要关心迭代器内部的结构,仅需通过next()方法或不断去取下一个内容

  2. 不能随机访问集合中的某个值,只能从头到尾依次访问

  3. 访问到一半时不能往回退

  4. 便于循环比较大的数据集合,节省内存

  5. 不能复制一个迭代器。如果要再次(或者同时)迭代同一个对象,只能去创建另一个迭代器对象。enumerate()的返回值就是一个迭代器,我们以enumerate为例:

    1
    2
    3
    4
    5
    a = enumerate(['a','b'])
    for i in range(2): #迭代两次enumerate对象
    for x, y in a:
    print(x,y)
    print(''.center(50,'-'))

    结果:

    1
    2
    3
    4
    0 a
    1 b
    --------------------------------------------------
    --------------------------------------------------

    可以看到再次迭代enumerate对象时,没有返回值;

可以用linux的文件处理命令vim和cat来理解一下:

  • 读取很大的文件时,vim需要很久,cat是毫秒级;因为vim是一次性把文件全部加载到内存中读取;而cat是加载一行显示一行
  • vim读写文件时可以前进,后退,可以跳转到任意一行;而cat只能向下翻页,不能倒退,不能直接跳转到文件的某一页(因为读取的时候这个“某一页“可能还没有加载到内存中)

可迭代对象与迭代器

正式进入python迭代器之前,我们先要区分两个容易混淆的概念:可迭代对象和迭代器;

  • 可迭代对象(Iterable):可以直接作用于for循环的对象
    • 所有的Iterable均可以通过内置函数iter()来转变为Iterator
    • 只要定义了可以返回一个迭代器的__iter__方法,或者定义了可以支持下标索引的__getitem__方法,就是一个可迭代对象
      • Python内置str、list、tuple、dict、set、file都是可迭代对象
  • 迭代器(Iterator):可以被next()函数调用并不断返回下一个值的对象
    • 只要实现__next__()(python2中实现next())方法的对象都是迭代器
      • 一般来说会为了兼容Iterable的接口而实现__iter__,从而让Iterator成为Iterable的一种实现
      • 一般来说,__iter__返回迭代器自身,__next__返回容器中的下一个值

总结图如下:

迭代器总结

可迭代对象

首先,迭代器是一个对象,不是一个函数;是一个什么样的对象呢?就是只要它定义了可以返回一个迭代器的__iter__方法,或者定义了可以支持下标索引的__getitem__方法,那么它就是一个可迭代对象。

python中大部分对象都是可迭代的,比如list,tuple等。如果给一个准确的定义的话,看一下list,tuple类的源码,都有__iter__(self)方法。

常见的可迭代对象:

  • 集合数据类型,如listtupledictsetstr等;
  • generator,包括生成器和带yield的generator function。

注意:生成器都是Iterator对象,但listdictstr虽然是Iterable,却不是Iterator,关于生成器,继续往下看

如何判断一个对象是可迭代对象呢?可以通过collections模块的Iterable类型判断:

1
2
3
4
5
6
7
8
9
10
11
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

迭代

一个可迭代对象是不能独立进行迭代的,Python中,迭代是通过for ... in来完成的。

for … in循环

for循环在迭代一个可迭代对象的过程中都做了什么呢?

a)当for循环迭代一个可迭代对象时,首先会调用可迭代对象的__iter__()方法,然我们看看源码中关于list类的__iter__()方法的定义:

1
2
3
def __iter__(self, *args, **kwargs): # real signature unknown
""" Implement iter(self). """
pass

__iter__()方法调用了iter(self)函数,我们再来看一下iter()函数的定义:

1
2
3
4
5
6
7
8
9
10
def iter(source, sentinel=None): # known special case of iter
"""
iter(iterable) -> iterator
iter(callable, sentinel) -> iterator

Get an iterator from an object. In the first form, the argument must
supply its own iterator, or be a sequence.
In the second form, the callable is called until it returns the sentinel.
"""
pass
  • iter()函数的参数是一个可迭代对象,最终返回一个迭代器

b) for循环会不断调用迭代器对象的__next__()方法(python2.x中是next()方法),每次循环,都返回迭代器对象的下一个值,直到遇到StopIteration异常。

1
2
3
4
5
6
7
8
9
10
11
>>> lst_iter = iter([1,2,3])
>>> lst_iter.__next__()
1
>>> lst_iter.__next__()
2
>>> lst_iter.__next__()
3
>>> lst_iter.__next__()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
  • 注意:这里的__next__()方法和内置函数next(iterator, default=None)不是一个东西;(内置函数next(iterator, default=None)也可以返回迭代器的下一个值)

c) 而for循环可以捕获StopIteration异常并结束循环;

for … in总结
  • for…in iterable,会通过调用iter(iterable)函数(实际上,首先调用的对象的__iter__()方法),返回一个迭代器iterator
  • 每次循环,调用一次对象的__next__(self),直到最后一个值,再次调用会触发StopIteration
  • for循环捕捉到StopIteration,从而结束循环

迭代器 Iterator

上面说了这么多,到底什么是迭代器Iterator呢?

任何实现了__iter____next__()(python2中实现next())方法的对象都是迭代器,__iter__返回迭代器自身,__next__返回容器中的下一个值;

既然知道了什么迭代器,那我们自定义一个迭代器玩玩:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
class Iterator_test(object):
def __init__(self, data):
self.data = data
self.index = len(data)

def __iter__(self):
return self

def __next__(self):
if self.index <= 0 :
raise StopIteration
self.index -= 1
return self.data[self.index]

iterator_winter = Iterator_test('abcde')

for item in iterator_winter:
print(item)

如何判断一个对象是一个迭代器对象呢?两个方法:

  1. 通过内置函数next(iterator, default=None),可以看到next的第一个参数必须是迭代器;所以迭代器也可以认为是可以被next()函数调用的对象
  2. 通过collection中的Iterator类型判断
1
2
3
4
5
6
7
8
>>> from collections import Iterator
>>>
>>> isinstance([1,2,3], Iterator)
False
>>> isinstance(iter([1,2,3]), Iterator)
True
>>> isinstance([1,2,3].__iter__(), Iterator)
True

这里大家会不会有个疑问:

对于迭代器而言,看上去作用的不就是__next__方法嘛,__iter__好像没什么卵用,干嘛还需要__iter__方法呢?

我们知道,python中迭代是通过for循环实现的,而for循环的循环对象必须是一个可迭代对象Iterable,而Iterable必须是一个实现了__iter__方法的对象;知道为什么需要__iter__魔术方法了吧;

那么我就是想自定义一个没有实现__iter__方法的迭代器可以吗?可以,像下面这样:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
class Iterable_test(object):
def __init__(self, data):
self.data = data

def __iter__(self):
return Iterator_test(self.data)

class Iterator_test(object):
def __init__(self, data):
self.data = data
self.index = len(data)

def __next__(self):
if self.index <= 0 :
raise StopIteration
self.index -= 1
return self.data[self.index]

iterator_winter = Iterable_test('abcde')

for item in iterator_winter:
print(item)

先定义一个可迭代对象(包含__iter__方法),然后该对象返回一个迭代器;这样看上去是不是很麻烦?是不是同时带有__iter____next__魔术方法的迭代器更好呢!

同时,这里要纠正之前的一个迭代器概念:只要__next__()(python2中实现next())方法的对象都是迭代器;

既然这样,只需要迭代器Iterator接口就够了,为什么还要设计可迭代对象Iterable呢?

这个和迭代器不能重复使用有关,下面统一讲解:

一些重要知识点

如何复制迭代器

之前在使用enumerate时,我们说过enumerate对象通过for循环迭代一次后就不能再被迭代:

1
2
3
4
5
6
7
8
9
10
11
12
>>> e = enumerate([1,2,3])
>>>
>>> for x,y in e:
... print(x,y)
...
0 1
1 2
2 3
>>> for x,y in e:
... print(x,y)
...
>>>

这是因为enumerate是一个迭代器;

迭代器是一次性消耗品,当循环以后就空了。不能再次使用;通过深拷贝可以解决;

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
>>> import copy
>>>
>>> e = enumerate([1,2,3])
>>>
>>> e_deepcopy = copy.deepcopy(e)
>>>
>>> for x,y in e:
... print(x,y)
...
0 1
1 2
2 3
>>> for x,y in e_deepcopy:
... print(x,y)
...
0 1
1 2
2 3

为什么需要设计Iterable呢?

因为迭代器迭代一次以后就空了,那么如果list,dict也是一个迭代器,迭代一次就不能再继续被迭代了,这显然是反人类的;所以通过__iter__每次返回一个独立的迭代器,就可以保证不同的迭代过程不会互相影响。而生成器表达式之类的结果往往是一次性的,不可以重复遍历,所以直接返回一个Iterator就好。让Iterator也实现Iterable的兼容就可以很灵活地选择返回哪一种。

总结说,Iterator实现的__iter__是为了兼容Iterable的接口,从而让Iterator成为Iterable的一种实现。

另外,迭代器是惰性的,只有在需要返回下一个数据时它才会计算。就像一个懒加载的工厂,等到有人需要的时候才给它生成值返回,没调用的时候就处于休眠状态等待下一次调用。所以,Iterator甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是永远不可能存储全体自然数的。

__getitem__实现for循环

前面关于可迭代对象的定义是这样的:定义了可以返回一个迭代器的__iter__方法,或者定义了可以支持下标索引的__getitem__方法,那么它就是一个可迭代对象。

但是如果对象没有__iter__,但是实现了__getitem__,会改用下标迭代的方式。

1
2
3
4
5
6
7
8
9
class NoIterable(object):
def __init__(self, data):
self.data = data
def __getitem__(self, item):
return self.data[item]

no_iter = NoIterable('abcde')
for item in no_iter:
print(item)

当for发现没有__iter__但是有__getitem__的时候,会从0开始依次读取相应的下标,直到发生IndexError为止,**这是一种旧的迭代方法。**iter方法也会处理这种情况,在不存在__iter__的时候,返回一个下标迭代的iterator对象来代替。

一张图总结迭代器

迭代器总结

使用迭代器实现斐波那契数列

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
class Fib(object):
def __init__(self, limit):
self.a, self.b = 0, 1
self.limit = limit

def __iter__(self):
return self

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

for n in Fib(1000):
print(n)

生成器

理解了迭代器以后,生成器就会简单很多,因为生成器其实是一种特殊的迭代器。不过这种迭代器更加优雅。它不需要再像上面的类一样写__iter__()__next__()方法了,只需要一个yiled关键字。 生成器一定是迭代器(反之不成立),因此任何生成器也是以一种懒加载的模式生成值。

语法上说,生成器函数是一个带yield关键字的函数

调用生成器函数后会得到一个生成器对象,这个生成器对象实际上就是一个特殊的迭代器,拥有__iter__()__next__()方法

我们先用一个例子说明一下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
>>> def generator_winter():
... i = 1
... while i <= 3:
... yield i
... i += 1
...
>>> generator_winter
<function generator_winter at 0x000000000323B9D8>
>>> generator_iter = generator_winter()
>>> generator_iter
<generator object generator_winter at 0x0000000002D9CAF0>
>>>
>>> generator_iter.__next__()
1
>>> generator_iter.__next__()
2
>>> generator_iter.__next__()
3
>>> generator_iter.__next__()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

现在解释一下上面的代码:

  1. 首先我们创建了一个含有yield关键字的函数generator_winter,这是一个生成器函数
  2. 然后,我们调用了这个生成器函数,并且将返回值赋值给了generator_iter,generator_iter是一个生成器对象
    • 注意:generator_iter = generator_winter()时,函数体中的代码并不会执行,只有显示或隐示地调用next的时候才会真正执行里面的代码
  3. 生成器对象就是一个迭代器,所以我们可以调用对象的__next__方法来每次返回一个迭代器的值;迭代器的值通过yield返回;并且迭代完最后一个元素后,触发StopIteration异常;

既然生成器对象是一个迭代器,我们就可以使用for循环来迭代这个生成器对象:

1
2
3
4
5
6
7
8
9
10
11
12
13
>>> def generator_winter():
... i = 1
... while i <= 3:
... yield i
... i += 1
...
>>>
>>> for item in generator_winter():
... print(item)
...
1
2
3

我们注意到迭代器不是使用return来返回值,而是采用yield返回值;那么这个yield有什么特别之处呢?

yield

我们知道,一个函数只能返回一次,即return以后,这次函数调用就结束了;

但是生成器函数可以暂停执行,并且通过yield返回一个中间值,当生成器对象的__next__()方法再次被调用的时候,生成器函数可以从上一次暂停的地方继续执行,直到触发一个StopIteration

上例中,当执行到yield i后,函数返回i值,然后print这个值,下一次循环,又调用__next__()方法,回到生成器函数,并从yield i的下一句继续执行;

摘一段<python核心编程>的内容:

生成器的另外一个方面甚至更加强力----协同程序的概念。协同程序是可以运行的独立函数调用,可以暂停或者挂起,并从程序离开的地方继续或者重新开始。在有调用者和(被调用的)协同程序也有通信。举例来说,当协同程序暂停时,我们仍可以从其中获得一个中间的返回值,当调用回到程序中时,能够传入额外或者改变了的参数,但是仍然能够从我们上次离开的地方继续,并且所有状态完整。挂起返回出中间值并多次继续的协同程序被称为生成器,那就是python的生成真正在做的事情。这些提升让生成器更加接近一个完全的协同程序,因为允许值(和异常)能传回到一个继续的函数中,同样的,当等待一个生成器的时候,生成器现在能返回控制,在调用的生成器能挂起(返回一个结果)之前,调用生成器返回一个结果而不是阻塞的等待那个结果返回。

什么情况会触发StopIteration

两种情况会触发StopIteration:

  1. 如果没有return,则默认执行到函数完毕时返回StopIteration
  2. 如果在执行过程中 return,则直接抛出 StopIteration 终止迭代
    • 如果在return后返回一个值,那么这个值为StopIteration异常的说明,不是程序的返回值

例子:

1
2
3
4
5
6
7
8
9
10
11
12
>>> def generator_winter():
... yield 'hello world'
... return 'again'
...
>>>
>>> winter = generator_winter()
>>> winter.__next__()
'hello world'
>>> winter.__next__()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration: again

生成器的作用

说了这么多,生成器有什么用呢?作为python主要特性之一,这是个极其牛逼的东西,由于它是惰性的,在处理大型数据时,可以节省大量内存空间;

当你需要迭代一个巨大的数据集合,比如创建一个有规律的100万个数字,如果采用列表来存储访问,那么会占用大量的内存空间;而且如果我们只是访问这个列表的前几个元素,那么后边大部分元素占据的内存空间就白白浪费了;这时,如果采用生成器,则不必创建完整的列表,一次循环返回一个希望得到的值,这样就可以大量节省内存空间;

这里在举例之前,我们先介绍一个生成器表达式(类似于列表推导式,只是把[]换成()),这样就创建了一个生成器。

1
2
3
>>> gen = (x for x in range(10))
>>> gen
<generator object <genexpr> at 0x0000000002A923B8>

生成器表达式的语法如下:

1
(expr for iter_var in iterable if cond_expr)

用生成器来实现斐波那契数列

1
2
3
4
5
6
7
8
9
def fib(n):
a, b = 0, 1
while b <= n:
yield b
a, b = b, a+b

f = fib(10)
for item in f:
print(item)

生成器方法

直接看生成器源代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
class __generator(object):
'''A mock class representing the generator function type.'''
def __init__(self):
self.gi_code = None
self.gi_frame = None
self.gi_running = 0

def __iter__(self):
'''Defined to support iteration over container.'''
pass

def __next__(self):
'''Return the next item from the container.'''
pass

def close(self):
'''Raises new GeneratorExit exception inside the generator to terminate the iteration.'''
pass

def send(self, value):
'''Resumes the generator and "sends" a value that becomes the result of the current yield-expression.'''
pass

def throw(self, type, value=None, traceback=None):
'''Used to raise an exception inside the generator.'''
pass

首先看到了生成器是自带__iter____next__魔术方法的;

send

生成器函数最大的特点是可以接受外部传入的一个变量,并根据变量内容计算结果后返回。这是生成器函数最难理解的地方,也是最重要的地方,协程的****实现就全靠它了

看一个小猫吃鱼的例子:

1
2
3
4
5
6
7
8
def cat():
print('我是一只hello kitty')
while True:
food = yield
if food == '鱼肉':
yield '好开心'
else:
yield '不开心,人家要吃鱼肉啦'

中间有个赋值语句food = yield,可以通过send方法来传参数给food,试一下:

情况1)

1
2
3
miao = cat()    #只是用于返回一个生成器对象,cat函数不会执行
print(''.center(50,'-'))
print(miao.send('鱼肉'))

结果:

1
2
3
4
5
Traceback (most recent call last):
--------------------------------------------------
File "C:/Users//Desktop/Python/cnblogs/subModule.py", line 67, in <module>
print(miao.send('鱼肉'))
TypeError: can't send non-None value to a just-started generator

看到了两个信息:

  1. miao = cat() ,只是用于返回一个生成器对象,cat函数不会执行
  2. can’t send non-None value to a just-started generator;不能给一个刚创建的生成器对象直接send值

改一下

情况2)

1
2
3
miao = cat()
miao.__next__()
print(miao.send('鱼肉'))

结果:

1
2
我是一只hello kitty
好开心

没毛病,那么到底send()做了什么呢?send()的帮助文档写的很清楚,‘’‘Resumes the generator and “sends” a value that becomes the result of the current yield-expression.’‘’;

可以看到send依次做了两件事

  1. 回到生成器挂起的位置,继续执行
  2. 并将send(arg)中的参数赋值给对应的变量,如果没有变量接收值,那么就只是回到生成器挂起的位置

但是,我认为send还做了第三件事

  1. 兼顾__next__()作用,挂起程序并返回值,所以我们在print(miao.send(‘鱼肉’))时,才会看到’好开心’;其实__next__()等价于send(None)

所以当我们尝试这样做的时候:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
def cat():
print('我是一只hello kitty')
while True:
food = yield
if food == '鱼肉':
yield '好开心'
else:
yield '不开心,人家要吃鱼肉啦'

miao = cat()
print(miao.__next__())
print(miao.send('鱼肉'))
print(miao.send('骨头'))
print(miao.send('鸡肉'))

就会得到这个结果:

1
2
3
4
5
我是一只hello kitty
None
好开心
None
不开心,人家要吃鱼肉啦

我们按步骤分析一下:

  1. 执行到print(miao.__next__()),执行cat()函数,print了”我是一只hello kitty”,然后在food = yield挂起,并返回了None,打印None
  2. 接着执行print(miao.send('鱼肉')),回到food = yield,并将’鱼肉’赋值给food,生成器函数恢复执行;直到运行到yield ‘好开心’,程序挂起,返回’好开心’,并print’好开心’
  3. 接着执行print(miao.send('骨头')),回到yield ‘好开心’,这时没有变量接收参数’骨头’,生成器函数恢复执行;直到food = yield,程序挂起,返回None,并print None
  4. 接着执行print(miao.send('鸡肉')),回到food = yield,并将’鸡肉’赋值给food,生成器函数恢复执行;直到运行到yield’不开心,人家要吃鱼肉啦’,程序挂起,返回’不开心,人家要吃鱼肉啦’,,并print ‘不开心,人家要吃鱼肉啦’

大功告成;那我们优化一下代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
def cat():
msg = '我是一只hello kitty'
while True:
food = yield msg
if food == '鱼肉':
msg = '好开心'
else:
msg = '不开心,人家要吃鱼啦'

miao = cat()
print(miao.__next__())
print(miao.send('鱼肉'))
print(miao.send('鸡肉'))

我们再看一个更实用的例子,一个计数器

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def counter(start_at = 0):
count = start_at
while True:
val = (yield count)
if val is not None:
count = val
else:
count += 1

count = counter(5)
print(count.__next__())
print(count.__next__())
print(count.send(0))
print(count.__next__())
print(count.__next__())

结果:

1
2
3
4
5
5
6
0
1
2

close

帮助文档:‘’‘Raises new GeneratorExit exception inside the generator to terminate the iteration.’‘’

手动关闭生成器函数,后面的调用会直接返回StopIteration异常

1
2
3
4
5
6
7
8
9
10
11
12
13
14
>>> def gene():
... while True:
... yield 'ok'
...
>>> g = gene()
>>> g.__next__()
'ok'
>>> g.__next__()
'ok'
>>> g.close()
>>> g.__next__()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

在close以后再执行__next__会触发StopIteration异常

throw

用来向生成器函数送入一个异常,throw()后直接抛出异常并结束程序,或者消耗掉一个yield,或者在没有下一个yield的时候直接进行到程序的结尾。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
>>> def gene():
... while True:
... try:
... yield 'normal value'
... except ValueError:
... yield 'we got ValueError here'
... except TypeError:
... break
...
>>> g = gene()
>>> print(g.__next__())
normal value
>>> print(g.__next__())
normal value
>>> print(g.throw(ValueError))
we got ValueError here
>>> print(g.__next__())
normal value
>>> print(g.throw(TypeError))
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

通过yield实现单线程情况下的异步并发效果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def consumer(name):
print('%s准备吃包子了' % name)
while True:
baozi_name = yield
print('[%s]来了,被[%s]吃了'% (baozi_name, name))

def producer(*name):
c1 = consumer(name[0])
c2 = consumer(name[1])
c1.__next__()
c2.__next__()
for times in range(5):
print('做了两个包子')
c1.send('豆沙包%s'%times)
c2.send('菜包%s'%times)

producer('winter', 'elly')

效果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
winter准备吃包子了
elly准备吃包子了
做了两个包子
[豆沙包0]来了,被[winter]吃了
[菜包0]来了,被[elly]吃了
做了两个包子
[豆沙包1]来了,被[winter]吃了
[菜包1]来了,被[elly]吃了
做了两个包子
[豆沙包2]来了,被[winter]吃了
[菜包2]来了,被[elly]吃了
做了两个包子
[豆沙包3]来了,被[winter]吃了
[菜包3]来了,被[elly]吃了
做了两个包子
[豆沙包4]来了,被[winter]吃了
[菜包4]来了,被[elly]吃了

创建了两个独立的生成器,很有趣,很吊;

补充例子

a)使用生成器创建一个range

1
2
3
4
5
def range(n):
count = 0
while count < n:
yield count
count += 1

b ) 使用生成器监听文件输入

1
2
3
4
5
6
7
8
def fileTail(filename):
with open(filename) as f:
while True:
tail = f.readline()
if line:
yield tail
else:
time.sleep(0.1)

c)计算移动平均值

1
2
3
4
5
6
7
8
9
def averager(start_with = 0):
count = 0
aver = start_with
total = start_with
while True:
val = yield aver
total += val
count += 1
aver = total/count

有个弊端,需要通过__next__或next()初始化一次,通过预激解决

d)预激计算移动平均值

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def init(f):
def wrapper(start_with = 0):
g_aver = f(start_with)
g_aver.__next__()
return g_aver
return wrapper

@init
def averager(start_with = 0):
count = 0
aver = start_with
total = start_with
while True:
val = yield aver
total += val
count += 1
aver = total/count

e)读取文件字符数最多的行的字符数

最传统的写法:

1
2
3
4
def longestLine(filename):
with open(filename, 'r', encoding='utf-8') as f:
alllines = [len(x.strip()) for x in f]
return max(alllines)

使用生成器以后的写法:

1
2
def longestLine(filename):
return max(len(x.strip()) for x in open(filename))

f)多生成器迭代

1
2
3
4
5
6
7
8
9
10
11
12
13
>>> g = (i for i in range(5))
>>> for j in g:
... print(j)
...
0
1
2
3
4
>>> for j in g:
... print(j)
...
>>>

因为for j in g, 每次循环执行一次g.__next__();直到结束,触发StopIteration;

主意下面结果的输出:

1
2
3
4
5
6
7
8
>>> g = (i for i in range(4))
>>> g1 = (x for x in g)
>>> g2 = (y for y in g1)
>>>
>>> print(list(g1))
[0, 1, 2, 3]
>>> print(list(g2))
[]

为什么print(list(g2))为空呢?理一下,不然会乱:

看下面的代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
def g():
print('1.1')
for i in range(2):
print('1.2')
yield i
print('1.3')

def g1():
print('2.1')
for x in s:
print('2.2')
yield x
print('2.3')

def g2():
print('3.1')
for y in s1:
print('3.2')
yield y
print('3.3')

s = g()
s1 = g1()
s2 = g2()
print('start first list')
print(list(s1))
print('start second list')
print(list(s2))

结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
start first list
2.1
1.1
1.2
2.2
2.3
1.3
1.2
2.2
2.3
1.3
[0, 1]
start second list
3.1
[]

注意第11行之后,g触发了StopIteration,被for x in s捕捉,即不能继续s.__next__()了;同样的g1触发StopIteration,被list捕捉,即不能继续s1.__next__()了;于是打印[0,1]

当进行print(list(s2))时,执行s2.__next__(),停留在代码的第17行for y in s1,但是这是不能继续s1.__next__()了;于是直接触发了StopIteration;结果为[]

再看一个有意思的输出:

1
2
3
4
5
6
7
8
9
def add(n,i):
return n+i

g = (i for i in range(4))

for n in [1,10]:
g = (add(n,i) for i in g)

print(list(g))

输出为:

1
[20, 21, 22, 23]

其实上面的代码翻译如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def add(n,i):
return n+i

def g1():
for i in g:
yield add(n,i)

def g2():
for i in s1:
yield add(n,i)

n = 1
s1 = g1()
n = 10
s2 = g2()
print(list(s2))

最终n用的是10