generator基础
回到顶部
　　在python的函数（function）定义中，只要出现了yield表达式（Yield expression），那么事实上定义的是一个generator function， 调用这个generator function返回值是一个generator。这根普通的函数调用有所区别，For example：

复制代码
def gen_generator():
yield 1

def gen_value():
return 1

if name == 'main':
ret = gen_generator()
print ret, type(ret) #
ret = gen_value()
print ret, type(ret) # 1
复制代码
　　从上面的代码可以看出，gen_generator函数返回的是一个generator实例，generator有以下特别：

遵循迭代器（iterator）协议，迭代器协议需要实现iter、next接口
能过多次进入、多次返回，能够暂停函数体中代码的执行
　　下面看一下测试代码：

复制代码

def gen_example():

... print 'before any yield'

... yield 'first yield'

... print 'between yields'

... yield 'second yield'

... print 'no yield anymore'

...

gen = gen_example()

gen.next()　　　　＃ 第一次调用next

before any yield

'first yield'

gen.next()　　　　＃ 第二次调用next

between yields

'second yield'

gen.next()　　　　＃ 第三次调用next

no yield anymore

//代码效果参考：https://v.youku.com/v_show/id_XNjQwNjYzOTIwOA==.html

Traceback (most recent call last):

File "", line 1, in

StopIteratio

复制代码
　　调用gen example方法并没有输出任何内容，说明函数体的代码尚未开始执行。当调用generator的next方法，generator会执行到yield 表达式处，返回yield表达式的内容，然后暂停（挂起）在这个地方，所以第一次调用next打印第一句并返回“first yield”。 暂停意味着方法的局部变量，指针信息，运行环境都保存起来，直到下一次调用next方法恢复。第二次调用next之后就暂停在最后一个yield，再次调用next()方法，则会抛出StopIteration异常。　

　　因为for语句能自动捕获StopIteration异常，所以generator（本质上是任何iterator）较为常用的方法是在循环中使用：　

复制代码
1 def generator_example():
2 yield 1
3 yield 2
4
5 if name == 'main':
6 for e in generator_example():
7 print e
8 # output 1 2
复制代码
　　generator function产生的generator与普通的function有什么区别呢

　　（1）function每次都是从第一行开始运行，而generator从上一次yield开始的地方运行

　　（2）function调用一次返回一个（一组）值，而generator可以多次返回

　　（3）function可以被无数次重复调用，而一个generator实例在yield最后一个值 或者return之后就不能继续调用了

　　在函数中使用Yield，然后调用该函数是生成generator的一种方式。另一种常见的方式是使用generator expression，For example：
　　>>> gen = (x * x for x in xrange(5))
　　>>> print gen
　　 at 0x02655710> 　　

generator应用
回到顶部
generator基础应用　　
　　为什么使用generator呢，最重要的原因是可以按需生成并“返回”结果，而不是一次性产生所有的返回值，况且有时候根本就不知道“所有的返回值”。比如对于下面的代码　　

复制代码
1 RANGE_NUM = 100
//代码效果参考：https://v.youku.com/v_show/id_XNjQwMDIwMTg2OA==.html

2 for i in [xx for x in range(RANGE_NUM)]: # 第一种方法：对列表进行迭代
3 # do sth for example
4 print i
5
6 for i in (xx for x in range(RANGE_NUM)): # 第二种方法：对generator进行迭代
7 # do sth for example
8 print i
复制代码
　　在上面的代码中，两个for语句输出是一样的，代码字面上看来也就是中括号与小括号的区别。但这点区别差异是很大的，第一种方法返回值是一个列表，第二个方法返回的是一个generator对象。随着RANGE_NUM的变大，第一种方法返回的列表也越大，占用的内存也越大；但是对于第二种方法没有任何区别。

　　我们再来看一个可以“返回”无穷多次的例子：

def fib():
a, b = 1, 1
while True:
yield a
a, b = b, a+b
这个generator拥有生成无数多“返回值”的能力，使用者可以自己决定什么时候停止迭代

generator高级应用
使用场景一：　　

　　Generator可用于产生数据流， generator并不立刻产生返回值，而是等到被需要的时候才会产生返回值，相当于一个主动拉取的过程(pull)，比如现在有一个日志文件，每行产生一条记录，对于每一条记录，不同部门的人可能处理方式不同，但是我们可以提供一个公用的、按需生成的数据流。

复制代码
1 def gen_data_from_file(file_name):
2 for line in file(file_name):
3 yield line
4
5 def gen_words(line):
6 for word in (w for w in line.split() if w.strip()):
7 yield word
8
9 def count_words(file_name):
10 word_map = {}
11 for line in gen_data_from_file(file_name):
12 for word in gen_words(line):
13 if word not in word_map:
14 word_map[word] = 0
15 word_map[word] += 1
16 return word_map
17
18 def count_total_chars(file_name):
19 total = 0
20 for line in gen_data_from_file(file_name):
21 total += len(line)
22 return total
23
24 if name == 'main':
25 print count_words('test.txt'), count_total_chars('test.txt')
复制代码
　　上面的例子来自08年的PyCon一个讲座。gen_words gen_data_from_file是数据生产者，而count_words count_total_chars是数据的消费者。可以看到，数据只有在需要的时候去拉取的，而不是提前准备好。另外gen_words中 (w for w in line.split() if w.strip()) 也是产生了一个generator

使用场景二：

　　一些编程场景中，一件事情可能需要执行一部分逻辑，然后等待一段时间、或者等待某个异步的结果、或者等待某个状态，然后继续执行另一部分逻辑。比如微服务架构中，服务A执行了一段逻辑之后，去服务B请求一些数据，然后在服务A上继续执行。或者在游戏编程中，一个技能分成分多段，先执行一部分动作（效果），然后等待一段时间，然后再继续。对于这种需要等待、而又不希望阻塞的情况，我们一般使用回调（callback）的方式。下面举一个简单的例子：

1 def do(a):
2 print 'do', a
3 CallBackMgr.callback(5, lambda a = a: post_do(a))
4
5 def post_do(a):
6 print 'post_do', a
　　这里的CallBackMgr注册了一个5s后的时间，5s之后再调用lambda函数，可见一段逻辑被分裂到两个函数，而且还需要上下文的传递（如这里的参数a）。我们用yield来修改一下这个例子，yield返回值代表等待的时间。

1 @yield_dec
2 def do(a):
3 print 'do', a
4 yield 5
5 print 'post_do', a
　　这里需要实现一个YieldManager， 通过yield_dec这个decrator将do这个generator注册到YieldManager，并在5s后调用next方法。Yield版本实现了和回调一样的功能，但是看起来要清晰许多。下面给出一个简单的实现以供参考：

复制代码

-- coding:utf-8 --

import sys

import Timer

import types
import time

class YieldManager(object):
def init(self, tick_delta = 0.01):
self.generator_dict = {}

    # self._tick_timer = Timer.addRepeatTimer(tick_delta, lambda: self.tick())

def tick(self):
    cur = time.time()
    for gene, t in self.generator_dict.items():
        if cur >= t:
            self._do_resume_genetator(gene,cur)

def _do_resume_genetator(self,gene, cur ):
    try:
        self.on_generator_excute(gene, cur)
    except StopIteration,e:
        self.remove_generator(gene)
    except Exception, e:
        print 'unexcepet error', type(e)
        self.remove_generator(gene)

def add_generator(self, gen, deadline):
    self.generator_dict[gen] = deadline

def remove_generator(self, gene):
    del self.generator_dict[gene]

def on_generator_excute(self, gen, cur_time = None):
    t = gen.next()
    cur_time = cur_time or time.time()
    self.add_generator(gen, t + cur_time)

g_yield_mgr = YieldManager()

def yield_dec(func):
def _inner_func(args, **kwargs):
gen = func(args, **kwargs)
if type(gen) is types.GeneratorType:
g_yield_mgr.on_generator_excute(gen)

    return gen
return _inner_func

@yield_dec
def do(a):
print 'do', a
yield 2.5
print 'post_do', a
yield 3
print 'post_do again', a

if name == 'main':
do(1)
for i in range(1, 10):
print 'simulate a timer, %s seconds passed' % i
time.sleep(1)
g_yield_mgr.tick()
复制代码

注意事项：
回到顶部
（1）Yield是不能嵌套的！

复制代码
1 def visit(data):
2 for elem in data:
3 if isinstance(elem, tuple) or isinstance(elem, list):
4 visit(elem) # here value retuened is generator