生成器
1。 什麼是生成器
透過列表生成式，我們可以直接建立一個列表。但是，受到記憶體限制，列表容量肯定是有限的。而且，建立一個包含100萬個元素的列表，不僅佔用很大的儲存空間，如果我們僅僅需要訪問前面幾個元素，那後面絕大多數元素佔用的空間都白白浪費了。所以，如果列表元素可以按照某種演算法推算出來，那我們是否可以在迴圈的過程中不斷推算出後續的元素呢？這樣就不必建立完整的list，從而節省大量的空間。在Python中，這種一邊迴圈一邊計算的機制，稱為生成器：generator。
2。 建立生成器方法1
要建立一個生成器，有很多種方法。第一種方法很簡單，只要把一個列表生成式的 ［ ］ 改成 （ ）
In ［15］： L = ［ x*2 for x in range（5）］
In ［16］： L
Out［16］： ［0， 2， 4， 6， 8］
In ［17］： G = （ x*2 for x in range（5））
In ［18］： G
Out［18］：
In ［19］：
建立 L 和 G 的區別僅在於最外層的 ［ ］ 和 （ ） ， L 是一個列表，而 G 是一個生成器。我們可以直接打印出L的每一個元素，但我們怎麼打印出G的每一個元素呢？如果要一個一個打印出來，可以透過 next（） 函式獲得生成器的下一個返回值：
In ［19］： next（G）
Out［19］： 0
In ［20］： next（G）
Out［20］： 2
In ［21］： next（G）
Out［21］： 4
In ［22］： next（G）
Out［22］： 6
In ［23］： next（G）
Out［23］： 8
In ［24］： next（G）
——————————————————————————————————————-
StopIteration Traceback （most recent call last）
——> 1 next（G）
StopIteration：
In ［25］：
In ［26］： G = （ x*2 for x in range（5））
In ［27］： for x in G：
。。。。： print（x）
。。。。：
0
2
4
6
8
In ［28］：
生成器儲存的是演算法，每次呼叫 next（G） ，就計算出 G 的下一個元素的值，直到計算到最後一個元素，沒有更多的元素時，丟擲 StopIteration 的異常。當然，這種不斷呼叫 next（） 實在是太變態了，正確的方法是使用 for 迴圈，因為生成器也是可迭代物件。所以，我們建立了一個生成器後，基本上永遠不會呼叫 next（） ，而是透過 for 迴圈來迭代它，並且不需要關心 StopIteration 異常。
3。 建立生成器方法2
generator非常強大。如果推算的演算法比較複雜，用類似列表生成式的 for 迴圈無法實現的時候，還可以用函式來實現。
比如，著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數都可由前兩個數相加得到：
1， 1， 2， 3， 5， 8， 13， 21， 34， 。。。
斐波拉契數列用列表生成式寫不出來，但是，用函式把它打印出來卻很容易：
In ［28］： def fib（times）：
。。。。： n = 0
。。。。： a，b = 0，1
。。。。： while n 。。。。： print（b） 。。。。： a，b = b，a+b 。。。。： n+=1 。。。。： return ‘done’ 。。。。： In ［29］： fib（5） 1 1 2 3 5 Out［29］： ‘done’ 仔細觀察，可以看出，fib函式實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出後續任意的元素，這種邏輯其實非常類似generator 也就是說，上面的函式和generator僅一步之遙。要把fib函式變成generator，只需要把print（b）改為yield b就可以了： In ［30］： def fib（times）： 。。。。： n = 0 。。。。： a，b = 0，1 。。。。： while n 。。。。： yield b 。。。。： a，b = b，a+b 。。。。： n+=1 。。。。： return ‘done’ 。。。。： In ［31］： F = fib（5） In ［32］： next（F） Out［32］： 1 In ［33］： next（F） Out［33］： 1 In ［34］： next（F） Out［34］： 2 In ［35］： next（F） Out［35］： 3 In ［36］： next（F） Out［36］： 5 In ［37］： next（F） ——————————————————————————————————————- StopIteration Traceback （most recent call last） ——> 1 next（F） StopIteration： done 在上面fib 的例子，我們在迴圈過程中不斷呼叫 yield ，就會不斷中斷。當然要給迴圈設定一個條件來退出迴圈，不然就會產生一個無限數列出來。同樣的，把函式改成generator後，我們基本上從來不會用 next（） 來獲取下一個返回值，而是直接使用 for 迴圈來迭代： In ［38］： for n in fib（5）： 。。。。： print（n） 。。。。： 1 1 2 3 5 In ［39］： 但是用for迴圈呼叫generator時，發現拿不到generator的return語句的返回值。如果想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在StopIteration的value中： In ［39］： g = fib（5） In ［40］： while True： 。。。。： try： 。。。。： x = next（g） 。。。。： print（“value：%d”%x） 。。。。： except StopIteration as e： 。。。。： print（“生成器返回值：%s”%e。value） 。。。。： break 。。。。： value：1 value：1 value：2 value：3 value：5 生成器返回值：done In ［41］： 4。 send 例子：執行到yield時，gen函式作用暫時儲存，返回i的值；temp接收下次c。send（“python”），send傳送過來的值，c。next（）等價c。send（None） In ［10］： def gen（）： 。。。。： i = 0 。。。。： while i<5： 。。。。： temp = yield i 。。。。： print（temp） 。。。。： i+=1 。。。。： 使用next函式 In ［11］： f = gen（） In ［12］： next（f） Out［12］： 0 In ［13］： next（f） None Out［13］： 1 In ［14］： next（f） None Out［14］： 2 In ［15］： next（f） None Out［15］： 3 In ［16］： next（f） None Out［16］： 4 In ［17］： next（f） None ——————————————————————————————————————- StopIteration Traceback （most recent call last） ——> 1 next（f） StopIteration： 使用__next__（）方法 In ［18］： f = gen（） In ［19］： f。__next__（） Out［19］： 0 In ［20］： f。__next__（） None Out［20］： 1 In ［21］： f。__next__（） None Out［21］： 2 In ［22］： f。__next__（） None Out［22］： 3 In ［23］： f。__next__（） None Out［23］： 4 In ［24］： f。__next__（） None ——————————————————————————————————————- StopIteration Traceback （most recent call last） ——> 1 f。__next__（） StopIteration： 使用send In ［43］： f = gen（） In ［44］： f。__next__（） Out［44］： 0 In ［45］： f。send（‘haha’） haha Out［45］： 1 In ［46］： f。__next__（） None Out［46］： 2 In ［47］： f。send（‘haha’） haha Out［47］： 3 In ［48］： 總結 生成器是這樣一個函式，它記住上一次返回時在函式體中的位置。對生成器函式的第二次（或第 n 次）呼叫跳轉至該函式中間，而上次呼叫的所有區域性變數都保持不變。 生成器不僅“記住”了它資料狀態；生成器還“記住”了它在流控制構造（在指令式程式設計中，這種構造不只是資料值）中的位置。 生成器的特點： 節約記憶體 迭代到下一次的呼叫時，所使用的引數都是第一次所保留下的，即是說，在整個所有函式呼叫的引數都是第一次所呼叫時保留的，而不是新建立的