python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

# 创建生成器的第一种方法：只要把一个列表生成式的 [] 改成 ()
l = [ i*2 for i in range(5)]
g = ( i*2 for i in range(5))

print(l) # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] 直接打印出列表生成器的每一个元素
print(g) # <generator object <genexpr> at 0x7ff388adb308> 将[]改为()使其成为一个生成器对象

# 可以通过 next() 函数获得生成器的下一个返回值：
# print(next(g)) # 0
# print(next(g)) # 2
# print(next(g)) # 4
# print(next(g)) # 6
# print(next(g)) # 8
# print(next(g)) # 没有更多的元素时，抛出 StopIteration 的异常

'''
因为生成器也是可迭代对象。
所以，我们创建了一个生成器后，基本上永远不会调用 next() ，
而是通过 for 循环来迭代它，并且不需要关心 StopIteration 异常。
'''
for temp in g:
    print(temp)

运行结果：

/home/longhui/Desktop/core_python_programming/venv/bin/python /home/longhui/Desktop/core_python_programming/venv/include/python_advanced_programming/generator_1.py
[0, 2, 4, 6, 8]
<generator object <genexpr> at 0x7ff098631360>
0
2
4
6
8

Process finished with exit code 0

# 创建生成器的第二种方法：如果推算的算法比较复杂，可以用函数来实现
# 以下是生成著名的斐波拉契数列（Fibonacci）
def GeneratorFunction():
    a, b = 0, 1
    for i in range(5):
        yield b
        a, b = b, a+b
    return 'over'

g = GeneratorFunction()
print(g) # <generator object GeneratorFunction at 0x7f4b03c273b8> 该对象是一个生成器，不是普通的函数了

# print(next(g)) # 1
# print(next(g)) # 1
# print(next(g)) # 2
# print(next(g)) # 3
# print(next(g)) # 5
# print(next(g)) # 抛出异常StopIteration: over

# 用for循环不会抛出 StopIteration 的异常
# for temp in g:
#     print(temp)

# g.__next__() 等同于 next(g)
print(g.__next__())

print('------send()------')
'''
g.send() :执行到yield时，gen函数作用暂时保存，返回b的值;
temp接收下次g.send("python")send发送过来的值，g.next()等价g.send(None)

'''
def GeneratorFunction2():
    a, b = 0, 1
    for i in range(5):
        temp = yield b
        print(temp)
        a, b = b, a+b
    return 'over'

g2 = GeneratorFunction2()

# 如果一开始第一步就 g2.send('python') 会出现错误：TypeError: can't send non-None value to a just-started generator
#print(g2.send('python'))
# 因为执行g2.send('python')的时候，生成器会停在 yield b 这一步，如果send('python')传入内容的话，无法将'python'赋值给temp变量

print(g2.__next__())
print(g2.send('python'))

# g2.__next__() 等价于 g2.send(None)
print(g2.__next__())
print(g2.send(None))

运行结果：

/home/longhui/Desktop/core_python_programming/venv/bin/python /home/longhui/Desktop/core_python_programming/venv/include/python_advanced_programming/generator_2.py
<generator object GeneratorFunction at 0x7fc95ed53360>
1
------send()------
1
python
1
None
2
None
3

Process finished with exit code 0

# 生成器的多任务作用(达到协程的作用)
def Gen1():
    while True:
        print('---Gen1()执行的函数体---')
        yield

def Gen2():
    while True:
        print('---Gen2()执行的函数体---')
        yield


while True:
    Gen1().__next__()
    Gen2().__next__()

运行结果：

/home/longhui/Desktop/core_python_programming/venv/bin/python /home/longhui/Desktop/core_python_programming/venv/include/python_advanced_programming/generator_3.py
---Gen1()执行的函数体---
---Gen2()执行的函数体---
---Gen1()执行的函数体---
---Gen2()执行的函数体---
---Gen1()执行的函数体---
---Gen2()执行的函数体---

总结

生成器是这样一个函数，它记住上一次返回时在函数体中的位置。对生成器函数的第二次（或第 n 次）调用跳转至该函数中间，而上次调用的所有局部变量都保持不变。

生成器不仅“记住”了它数据状态；生成器还“记住”了它在流控制构造（在命令式编程中，这种构造不只是数据值）中的位置。

生成器的特点：

1. 节约内存
2. 迭代到下一次的调用时，所使用的参数都是第一次所保留下的，即是说，在整个所有函数调用的参数都是第一次所调用时保留的，而不是新创建的