python的迭代器与生成器实例详解

2024-04-10 09:29:04 25

本文以实例详解了python的迭代器与生成器，具体如下所示：

1.迭代器概述：

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。

1.1使用迭代器的优点

对于原生支持随机访问的数据结构（如tuple、list），迭代器和经典for循环的索引访问相比并无优势，反而丢失了索引值（可以使用内建函数enumerate()找回这个索引值）。但对于无法随机访问的数据结构（比如set）而言，迭代器是唯一的访问元素的方式。

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，或是斐波那契数列等等。

迭代器更大的功劳是提供了一个统一的访问集合的接口，只要定义了__iter__()方法对象，就可以使用迭代器访问。

迭代器有两个基本的方法

next方法：返回迭代器的下一个元素
__iter__方法：返回迭代器对象本身
下面用生成斐波那契数列为例子，说明为何用迭代器

示例代码1

deffab(max):
n,a,b=0,0,1
whilen<max:
printb
a,b=b,a+b
n=n+1

直接在函数fab(max)中用print打印会导致函数的可复用性变差，因为fab返回None。其他函数无法获得fab函数返回的数列。

示例代码2

deffab(max):
L=[]
n,a,b=0,0,1
whilen<max:
L.append(b)
a,b=b,a+b
n=n+1
returnL

代码2满足了可复用性的需求，但是占用了内存空间，最好不要。

示例代码3

对比：

foriinrange(1000):pass
foriinxrange(1000):pass

前一个返回1000个元素的列表，而后一个在每次迭代中返回一个元素，因此可以使用迭代器来解决复用可占空间的问题

classFab(object):
def__init__(self,max):
self.max=max
self.n,self.a,self.b=0,0,1

def__iter__(self):
returnself

defnext(self):
ifself.n<self.max:
r=self.b
self.a,self.b=self.b,self.a+self.b
self.n=self.n+1
returnr
raiseStopIteration()

执行

>>>forkeyinFabs(5):
printkey

Fabs类通过next()不断返回数列的下一个数，内存占用始终为常数

1.2使用迭代器

使用内建的工厂函数iter(iterable)可以获取迭代器对象：

>>>lst=range(5)
>>>it=iter(lst)
>>>it
<listiteratorobjectat0x01A63110>

使用next()方法可以访问下一个元素：

>>>it.next()

>>>it.next()

>>>it.next()

python处理迭代器越界是抛出StopIteration异常

>>>it.next()

>>>it.next
<method-wrapper'next'oflistiteratorobjectat0x01A63110>
>>>it.next()

>>>it.next()

Traceback(mostrecentcalllast):
File"<pyshell#27>",line1,in<module>
it.next()
StopIteration

了解了StopIteration，可以使用迭代器进行遍历了

lst=range(5)
it=iter(lst)
try:
whileTrue:
val=it.next()
printval
exceptStopIteration:
pass

事实上，因为迭代器如此普遍，python专门为for关键字做了迭代器的语法糖。在for循环中，Python将自动调用工厂函数iter()获得迭代器，自动调用next()获取元素，还完成了检查StopIteration异常的工作。如下

>>>a=(1,2,3,4)
>>>forkeyina:
printkey

首先python对关键字in后的对象调用iter函数迭代器，然后调用迭代器的next方法获得元素，直到抛出StopIteration异常。

1.3定义迭代器

下面一个例子——斐波那契数列

#-*-coding:cp936-*-
classFabs(object):
def__init__(self,max):
self.max=max
self.n,self.a,self.b=0,0,1#特别指出：第0项是0，第1项是第一个1.整个数列从1开始
def__iter__(self):
returnself
defnext(self):
ifself.n<self.max:
r=self.b
self.a,self.b=self.b,self.a+self.b
self.n=self.n+1
returnr
raiseStopIteration()

printFabs(5)
forkeyinFabs(5):
printkey

结果

<__main__.Fabsobjectat0x01A63090>

2.迭代器

带有yield的函数在Python中被称之为generator（生成器），几个例子说明下（还是用生成斐波那契数列说明）

可以看出代码3远没有代码1简洁，生成器（yield）既可以保持代码1的简洁性，又可以保持代码3的效果

示例代码4

deffab(max):
n,a,b=0,0,1
whilen<max:
yieldb
a,b=b,a+b
n=n=1

执行

>>>forninfab(5):
printn

简单地讲，yield的作用就是把一个函数变成一个generator，带有yield的函数不再是一个普通函数，Python解释器会将其视为一个generator，调用fab(5)不会执行fab函数，而是返回一个iterable对象！在for循环执行时，每次循环都会执行fab函数内部的代码，执行到yieldb时，fab函数就返回一个迭代值，下次迭代时，代码从yieldb的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到yield。看起来就好像一个函数在正常执行的过程中被yield中断了数次，每次中断都会通过yield返回当前的迭代值。

也可以手动调用fab(5)的next()方法（因为fab(5)是一个generator对象，该对象具有next()方法），这样我们就可以更清楚地看到fab的执行流程：

>>>f=fab(3)
>>>f.next()
1
>>>f.next()
1
>>>f.next()
2
>>>f.next()

Traceback(mostrecentcalllast):
File"<pyshell#62>",line1,in<module>
f.next()
StopIteration

return作用

在一个生成器中，如果没有return，则默认执行到函数完毕；如果遇到return,如果在执行过程中return，则直接抛出StopIteration终止迭代。例如

>>>s=fab(5)
>>>s.next()
1
>>>s.next()

Traceback(mostrecentcalllast):
File"<pyshell#66>",line1,in<module>
s.next()
StopIteration

示例代码5 文件读取

defread_file(fpath):
BLOCK_SIZE=1024
withopen(fpath,'rb')asf:
whileTrue:
block=f.read(BLOCK_SIZE)
ifblock:
yieldblock
else:
return

如果直接对文件对象调用read()方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取。

python的迭代器与生成器实例详解

热门推荐

随机推荐