python之迭代器与生成器
可迭代
假如现在有一个列表，有一个int类型的12345。我们循环输出。
list=[1,2,3,4,5]
for i in list:
print(i)
for i in 12345:
print(i)
结果：
Traceback (most recent call last):
File "C:/Pycham/生成器与迭代器/test1.py", line 6, in <module>
for i in 12345:
TypeError: 'int' object is not iterable
1
2
3
4
5
报错显示：1234不是可以被迭代的。
那python中哪些是可迭代的：字符串、列表、元组、字典、集合。
for循环工作机制：for循环在循环一个对象的时候，会调用这个对象的iter方法，得到迭代器，然后在调用这个迭代器的next方法，去获得这个迭代器中包涵的每个值。
现在可能我们不太明白，什么是iter方法，什么是迭代器，什么是next方法。
迭代器
但是如果只是将数据集内的数据“一个挨着一个的取出来，for循环就可以做到，为什么要使用迭代器呢？迭代器是什么？
迭代器能迭代的一定是可以迭代的数据类型。
如果我们要使用迭代器，一定要将可以被迭代的数据集转为迭代器，使用__iter__()。
#列表生成式
list=[1,2,3,4,5]
#生成器
gen=list.__iter__()
print(list)
print(gen)
结果：
[1, 2, 3, 4, 5]
<list_iterator object at 0x0000000002627278>
迭代器的三个方法
iter_l = [1,2,3,4,5,6].__iter__()
#获取迭代器中元素的长度
print(iter_l.__length_hint__())
#根据索引值指定从哪里开始迭代
print(iter_l.__setstate__(2))
#一个一个的取值
print(iter_l.__next__())
结果：
6
None
3
循环输出迭代器的内容
注意：
很重要的特性，就是不可逆，只能前进，不能后退。
如果迭代的次数超过里面的数据，就会报错。
l = [1,2,3,4]
l_iter = l.__iter__()
while True:
try:
item = l_iter.__next__()
print(item)
except StopIteration:
break
总结：一个对象是否可迭代，全都取决于这个对象是否有iter方法，调用对象的iter方法，就回返回一个迭代器，这个迭代器一定具有next方法，在调用这个迭代器的next方法时，迭代器就回返回它的下一个值，当迭代器中没有
值可以返回了，就回抛出一个名为StopIteration的异常，停止迭代。
for循环的工作机制，可以让我们遍历任何一个可迭代的数据集。
虽然序列类型字符串，列表，元组都有下标，你用下标的方式访问。
但是非序列类型像字典，集合，文件对象这样的数据类型也是可迭代的。
生成器
通过列表生成式，我们可以直接创建一个列表，但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间，在Python中，这种一边循环一边计算的机制，称为生成器：generator
生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。
生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像
是迭代器。
总结：生成器是个比较特殊的可迭代对象，它与其他的可迭代对象不太一样的地方，其他的可迭代对象需要调用iter方法，返回个迭代器对象，然后通过迭代器对象去执行next方法，获取迭代器中的值，但是生成器直接可以被迭代，无需执行iter方法。
生成器Generator：
本质：迭代器(所以自带了__iter__方法和__next__方法，不需要我们去实现)
特点：惰性运算,开发者自定义
初始生成器
import time def genrator_fun1(): a = 1 print('现在定义了a变量') yield a b = 2 print('现在又定义了b变量') yield b g1 = genrator_fun1() print('g1 : ',g1) #打印g1可以发现g1就是一个生成器 print('-'*20) #我是华丽的分割线 print(next(g1)) time.sleep(1) #sleep一秒看清执行过程 print(next(g1))
python中生成器有两种表达形式
函数式生成器：在常规的函数中定义的生成器，语句的返回值不再使用return去返回，而是使用yield关键字每次返回一个结果,一个函数中不可以有多个return，但是可以有多个yield，函数中的每一个yield都会返回一个结果，每执行一个yield，函数的执行状态都会被‘挂起’可以理解
为暂停，下次继续调用这个函数的时候，会从上次挂起的位置继续向下执行。
def func1():
yield 1
print("第一个yield执行完成~")
yield 2
print("第二个yield执行完成~")
yield 3
print("第三个yield执行完成~")
for i in func1():
print(i)
结果：
1
第一个yield执行完成~
2
第二个yield执行完成~
3
第三个yield执行完成~
生成器表达式：使用类似于列表推导式的方法，但是返回的对象不再是一个列表，而是一个可以按需生成结果的一个对象（生成器）。
只要把一个列表生成式的[]中括号改为（）小括号，就创建一个generator
#列表生成式
lis = [x*x for x in range(10)]
print(lis)
#生成器
generator_ex = (x*x for x in range(10))
print(generator_ex)
结果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<generator object <genexpr> at 0x000002A4CBF9EBA0>
for循环输出生成器的值
#生成器
generator_ex = (x*x for x in range(10))
for i in generator_ex:
print(i)
结果：
0
1
4
9
16
25
36
49
64
81
所以我们创建一个generator后，基本上永远不会调用next()，而是通过for循环来迭代，并且不需要关心StopIteration的错误（迭代超过长度）。
使用生成器的优点：
延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
最后示例：
import time
def cumtom(name):
print('%s准备吃包子' %name)
time.sleep(1)
while 1:
count=yield
print('%s吃到第%d个包子' %(name,count))
def producter():
con1.__next__()
con2.__next__()
n=1
while 1:
time.sleep(1)
print('已经生产出来%d、%d个包子' %(n,n+1))
#通过send方法通知
con1.send(n)
con2.send(n+1)
n+=2
con1=cumtom('cumtom1')
con2=cumtom('cumtom2')
producter()
cumtom1准备吃包子
cumtom2准备吃包子
已经生产出来1、2个包子
cumtom1吃到第1个包子
cumtom2吃到第2个包子
已经生产出来3、4个包子
cumtom1吃到第3个包子
cumtom2吃到第4个包子
已经生产出来5、6个包子
cumtom1吃到第5个包子
cumtom2吃到第6个包子
已经生产出来7、8个包子
cumtom1吃到第7个包子
cumtom2吃到第8个包子
已经生产出来9、10个包子
cumtom1吃到第9个包子
cumtom2吃到第10个包子
已经生产出来11、12个包子
cumtom1吃到第11个包子
cumtom2吃到第12个包子
已经生产出来13、14个包子
cumtom1吃到第13个包子
cumtom2吃到第14个包子
已经生产出来15、16个包子
cumtom1吃到第15个包子
cumtom2吃到第16个包子