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:
- 节约内存
- 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