可迭代对象
在讲解迭代器和生成器之前，先介绍一下可迭代对象。
可迭代对象是Python中一个非常庞大的概念，它主要包括如下三类：
- 迭代器
- 序列
- 字典
从上图可以看出不同概念之间的关系，迭代器是可迭代对象的一个子集，而生成器又是迭代器的一个子集，是一种特殊的迭代器。除了迭代器之外，Python中还有序列、字典等可迭代对象。
现在已经直观的了解了可迭代对象与迭代器、生成器之间的关系，那么用Python语言怎么表述它们的区别呢？
- 可迭代对象需要实现__iter__方法
- 迭代器不仅要实现__iter__方法，还需要实现__next__方法
在使用层面，可迭代对象可以通过in和not in访问对象中的元素，举一个例子，
X = set([1,2,3,4,5]) print(X) print(type(X)) print(1 in X) print(2 not in X) for x in X: print(x) # 输出 {1, 2, 3, 4, 5} <class 'set'> True False 1 2 3 4 5 前面提到，可迭代对象实现了__iter__方法，但是它没有实现__next__，这也是判定迭代器和其他可迭代对象的关键之处，可以看一下通过next访问上述示例中可迭代对象X会报错， next(X) # 输出 TypeError: 'set' object is not an iterator
报的错误是'set' object is not an iterator，它指明了set集合是一个可迭代对象，但不是迭代器，下面就来介绍一下迭代器。
迭代器
迭代器是可迭代对象的一个子集，它是一个可以记住遍历的位置的对象，它与列表、元组、集合、字符串这些可迭代对象的区别就在于next方法的实现，其他列表、元组、集合、字符串这些可迭代对象可以很简单的转化成迭代器，通过Python内置的iter函数能够轻松把可迭代对象转化为迭代器，下面来看一个例子，
X = [1,2,3,4,5] print(type(X)) Y = iter(X) print(type(Y)) print(next(Y)) print(next(Y)) print(next(Y)) # 输出 <class 'list'> <class 'list_iterator'> 1 2 3
从上述示例中我们可以看出两点：
- 通过iter函数把list转化成了迭代器
- 可迭代器能够记住遍历位置，能够通过next方法不断从前往后访问
除了Python内置的iter之外，还可以通过Python内置的工具包itertools创建迭代器，其中函数包括，
- count
- cycle
- repeat
- accumulate
- chain
- compress
- dropwhile
- islice
- product
- permutations
- combinations
- ……
itertools中包含很多用于创建迭代器的实用方法，如果感兴趣嗯可以访问官方文档进行详细了解。
当然，也可以自己通过实现__iter__和__next__方法来定义迭代器，
class Iterator(object): def __init__(self, array): self.x = array self.index = 0 def __iter__(self): return self def __next__(self): if self.index < len(self.x): value = self.x[self.index] self.index += 1 else: raise StopIteration return value it = Iterator([1,2,3,4,5]) print(type(it)) for i in it: print(i) # 输出 <class '__main__.Iterator'> 1 2 3 4 5
生成器
从文章开头的流程图可以直观的看出，生成器是迭代器的子集，换句话说，生成器一定是迭代器，但是迭代器不全是生成器对象。
提及生成器就不得不提及一个Python中的关键字yiled，在Python中一个函数可以用yiled替代return返回值，这样的话这个函数就变成了一个生成器对象，举个例子对比一下，
def generator(array): for i in array: return i gen = generator([1,2,3,4,5]) print(type(gen)) # 输出 <class 'int'>
这是我们常见的return返回方式，这样的话generator函数获取的是一个int型对象，下面看一下换成yield关键字，
def generator(array): for i in array: yield(i) gen = generator([1,2,3,4,5]) print(type(gen)) # 输出 <class 'generator'>
这样的话获取的是一个生成器generator，除了yield之外，在Python3.3之后还加入了yield from获取生成器，允许一个生成器将其部分操作委派给另一个生成器，使得生成器的用法变得更加简洁，yield from后面需要加上可迭代对象，这样可以把可迭代对象变成生成器，当然，这里的可迭代对象不仅包含列表、元组，还包含迭代器、生成器。yield from相对于yield的有几个主要优点：
- 代码更加简洁
- 可以用于生成器嵌套
- 易于异常处理
下面就从简洁代码方面举个例子说明一下，
def generator(array): for sub_array in array: yield from sub_array gen = generator([(1,2,3), (4,5,6,7)]) # 输出 1 2 3 4 5 6 7 当我们需要访问多层/多维可迭代对象时，我们就不需要逐层的去用for … in …去访问，可以简单的通过yiled from把生成器委派给子生成器，除此之外还可以通过生成器表达式的方法得到生成式，后面会介绍。 print(next(gen)) print(next(gen)) # 输出 1 2
通过上面示例可以看出，生成器可以像迭代器那样使用iter和next方法。
读到这里可以会有疑惑，从这个示例看来生成器和迭代器并没有什么区别啊？为什么生成器还可以称得上是Python中的一大亮点？
首先它对比于迭代器在编码方面更加简洁，这是显而易见的，其次生成器运行速度更快，最后一点，也是需要着重说明的一点：节省内存。
也许在一些理论性实验、学术论文阶段可以不考虑这些工程化的问题，但是在公司做项目时，内存和资源占用是无法逃避的问题 。如果我们使用其他可迭代对象处理庞大的数据时，当创建或者返回值时会申请用于存储整个可迭代对象的内存，显然这是非常浪费的，因为有的元素当前我们用不到，也不会去访问，但它却一直占用这内存。这时候就体现了生成器的优点，它不是一次性把所有的结果都返回，而是当我们每读取一次，它会返回一个结果，当我们不读取时，它就是一个生成器表达式，几乎不占用内存。
生成器表达式
首先来看一个对比示例，
X = [1, 2, 3, 4, 5] it = [i for i in X] gen = (i for i in X) print(type(X)) print(type(it)) print(type(gen)) # 输出 <class 'list'> <class 'list'> <class 'generator'>
首先说一下it = [i for i in X]，这种用法叫做列表生成式，在很多编程规范中非常推崇的一种替代for循环的方式，仔细看一下代码会发现，it = [i for i in X]与gen = (i for i in X)的区别非常小，只是一个用了中括号，一个用了小括号，但是它们的区别缺失非常大的，使用中括号的叫做列表生成式，获得的返回值是一个列表，而使用小括号叫做生成器表达式，获得的返回结果是一个生成器，这也是前面提到的，除了使用yield和yield from两个关键字外还可以使用生成器表达式获得生成器。
