Python中的生成器 Python中的生成器

列表生成式：

代码演示：
文章图片

文章图片

# 列表生成式 list_1 = [x**2 for x in range(10)]# x**2处也可以放函数 print(list_1)#[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]# 代码等价于 list_2 = [] for x in range(10): list_2.append(x**2) print(list_2)

列表生成式

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。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：

代码演示：
list_1 = (x*2 for x in range(10) )
比较生成器和列表生成式
- 代码演示
  文章图片
  
  文章图片
  
  import time start_time = time.time() list_1 = (x*2 for x in range(10) ) stop_time = time.time() print(list_1) print("the list_1 run time is %s" % (stop_time-start_time))start_time = time.time() list_2 = [x*2 for x in range(10) ] stop_time = time.time() print(list_2) print("the list_2 run time is %s" % (stop_time-start_time))""" 运行结果： at 0x0000011FACD1ED60> 生成器只有一个列表地址，并没有具体的数值 the list_1 run time is 0.0 [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] the list_2 run time is 0.0 """
  
  生成器和生成式的对比
- 生成器只有在调用的时候才会生成相应的数据
- 生成式可以直接打印列表，生成器只能打印地址
- 生成式可以通过下角标获取元素，生成器不行
- 生成器可以通过__next()__函数获得生成器（generator）的下一个返回值
  >>>list_1 = (x*2 for x in range(100000000)) >>>for x in list_1: print(x) >>>list_1.__next__ >>>list_1.__next__ >>>list_1.__next__

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

文章图片

def fib(sum): a, b, c = 0, 1, 0 while c < sum: print(b) a, b = b, a + b c += 1 fib(6)

斐波那契数列

- 仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
  也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：
  
  文章图片
  
  文章图片
  
  def fib(sum): a, b, c = 0, 1, 0 while c < sum: #print(b) yield b# 代码执行到这里，会跳出这个函数，并将b的值返回到使用next的代码处 a, b = b, a + b c += 1 # print(fib(6))# 这里得到的就是生成器 p = fib(6) print(next(p)) print(next(p)) print("做点别的事情") print(next(p)) print(p.__next__()) print(next(p)) print(p.__next__())
  
  第二种生成器生成方式
- 这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：
  >>> f = fib(6) >>> f
- 这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。
- 在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。
  同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：
  
  for n in fib(6): print(n)
- 但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：
  
  文章图片
  
  文章图片
  
  def fib(sum): a, b, c = 0, 1, 0 while c < sum: yield b a, b = b, a + b c += 1 return "返回值只能传递给异常"g = fib(3) while True: try: x = next(g) print('g:', x) except StopIteration as e: print('Generator return value:', e.value) break """ 运行结果： g: 1 g: 1 g: 2 Generator return value: 返回值只能传递给异常 """
  
  获取返回值的方式

还可通过yield实现在单线程的情况下实现并发运算的效果：

next()和__next__()：效果相同，只是使用方式不同，都可以唤醒yield,并接收yield传过来的值。
send()：也可以唤醒yield，也可以接收yield传递过来的值，而且，还可以在唤醒yield的同时，为yield传递一个值

#_*_coding:utf-8_*_ #通过生成器实现协程并行运算 import time def consumer(name): print("%s 准备吃包子啦!" %name) while True: baozi = yield print("包子[%s]来了,被[%s]吃了!" %(baozi,name))def producer(name): c = consumer(name) c2 = consumer('B') c.__next__() c2.__next__() print("老子开始准备做包子啦!") for i in range(10): time.sleep(1) print("做了2个包子!") c.send(i)　 c2.send(i)producer("飞某人")

【Python中的生成器】