python自己写一个迭代器_Python 的迭代器和生成器

事实上，当你在使用Python的第一天，你很有可能就已经和迭代器打交道了。这篇文章从浅入深的聊聊Python的迭代器和生成器。

=========================================================================================================================================================================================================

1. 从for语句开始

有一定C语言基础的朋友在刚刚学习Python的时候，常常会询问Python有没有类似这样的写法：

for i = 0; i < 10 ; i += 1:

print i

更有意思的是，当被告知『没有』的时候，一些人就打起了歪主意，写出了合法的代码：

i = 0

while i < 10:

print i

i += 1

这是用Python写C程序，非常的不推荐。实际上，for总是和in关键字一起使用

for i in range(10):

print i

range不是Python的关键字，而是一个内建的函数(Python 2.X)，它实际上返回了一个列表

>>> print range(10)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

可是一些老司机还推荐这样写(仅限于Python 2.X)

for i in xrange(10):

print i

想了解其中的奥义，继续阅读本文吧！

2.迭代器

有一些Python对象，我们可以从中按一定次序提取出其中的元素。这些对象称之为可迭代对象。比如，字符串、列表、元组都是可迭代对象。

我们回忆一下从可迭代对象中提取元素的过程。这次，我们显式的使用列表的下标

my_str = 'abc'

for i,_ in enumerate(my_str):

print my_str[i]同样的，以下是通过下标对list的元素进行改写：

my_list = [1,2,3]

for i,_ in enumerate(my_list):

my_list[i] = my_list[i] + 1

print my_list我们知道，在以上两个例子中，读取和写入元素，是通过list的操作符[]实现的。而下标只是作为参数出现。我们不妨把这种模式，称作『可迭代对象是一等公民』。

与之相对的，有没有可能将下标作为一等公民？换句话说，元素的提取只和下标打交道，而和可迭代对象无关。答案是有的。这样的一种设计模式，就是迭代器模式。那个升级版的下标，称之为迭代器。

迭代器模式特别适合于以下情形：不关心元素的随机访问

元素的个数不可提前预测

下面的代码，说明了如何显式的使用迭代器。利用Python内建函数iter，可以得到一个可迭代对象的迭代器。

my_list = [1,2,3]

i = iter(my_list)

while True:

try:

print next(i)

except StopIteration:

break一旦迭代器建立起来，提取元素的过程就不再依赖于原始的可迭代对象，而是仅仅依赖于迭代器本身。Python内建的next函数作用于迭代器上，会执行三个操作：返回当前『位置』的元素，第一次next调用，当前位置是可迭代对象的起始位置

将『位置』向后递增

如果到达可迭代对象的末尾，即没有元素可以提取，则抛出StopIteration异常

实际上，你并不需要这么麻烦的方法来使用迭代器，Python中的循环语句会自动进行迭代器的建立、next的调用和StopIteration的处理。换句话说，遍历一个可迭代对象的元素，这样写就对了：

my_list = [1,2,3]

for v in my_list:

print v换句话说，Python的for...in语句，隐藏了大量的细节。

所以，Python 2.X 的 range和xrange有何区别？答案是，range的返回值就是一个list，在你调用range的时候，Python会产生所有的元素。而xrange是一个特别设计的可迭代对象，它在建立的时候仅仅保存终止值。你可比较以下两种写法的实际运行结果：

for v in range(1000000000000): #possible Memory Error

if v == 2:

break

for v in xrange(1000000000000): #fine

if v == 2:

break在Python 3.X 中，不再有内建的xrange，其range等效于Python 2.X 的xrange

3. 自定义迭代器

那么Python的iter函数和next函数都做了什么呢？答案是，基本上什么都没做！它们的内部实现是(逻辑上)这样的：

def iter(obj):

return obj.__iter__()

#Python 2.X

def next(obj):

return obj.next()

#Python 3.X

def next(obj):

return obj.__next__()

所以利用这一点，我们很容易写一个自己的可迭代对象和迭代器。下面就是一个例子，这个迭代器有随机的长度。测试它的方法就用for...in...

import random

class demo_iterator(object):

def __next__(self):

return self.next()

def next(self):

v = random.randint(0,10)

if v < 5:

raise StopIteration()

else:

return v

class demo_iterable(object):

def __iter__(self):

return demo_iterator()

for v in demo_iterable():

print(v)为了使得它在Python 2和Python 3都可用，我们同时实现了next和__next__。

这个故事告诉我们，若想让你自己的对象支持for...in...，你可以实现它的迭代器接口。

使用迭代器有何好处？用默认的列表不也很好吗？实际上，使用迭代器最大的优点是，能够及时处理『未知』的事件(例如，用户的输入，网络上的信号)，并在迭代推进的过程中随时可以终止迭代。就拿range为例，我们如果想尽可能多的利用系统内存产生尽可能多的数据。那么使用迭代器的方法，可以在每一次迭代的时候都检查一下剩余可用的内存，从而决定要不要进行下一次迭代。而使用list的方法，过程中使用了多少内存，是很难预见的。

4 生成器

生成器是创建迭代器的一种简便的方法。生成器是一个特殊的函数。我们可以从静态和动态两个角度理解生成器函数。

首先，从静态的角度，生成器函数在代码中表现为：含有yield语句(无论yield是否可能会被执行)

无return或者仅有无值return(一旦函数里存在yield语句，有值return会视为语法错误)

这里注意，Python的yield关键字的唯一作用，就是把一个普通的函数变成生成器。当一个函数内出现yield关键字后，就会变异为生成器，其行为与普通函数不同。

其次，从动态的角度，生成器在运行过程中：当生成器函数被调用的时候，生成器函数不执行内部的任何代码，直接立即返回一个迭代器。

当所返回的迭代器第一次调用next的时候，生成器函数从头开始执行，如果遇到了执行yield x，next立即返回yield值x。

当所返回的迭代器继续调用next的时候，生成器函数从上次yield语句的下一句开始执行，直到遇到下一次执行yield

任何时候遇到函数结尾，或者return语句，抛出StopIteration异常

特别的，生成器返回的迭代器，其__iter__返回其自身。

举一个最简单的例子：

def g():

yield 1

yield 2

yield 3

for v in g():

print v

如何理解这个程序呢？

把for循环展开，并在生成器函数中插入一些print语句。

def g():

print 'L1'

yield 1

print 'L2'

yield 2

print 'L3'

yield 3

print 'L4'

it = iter(g())

v = next(it);print v

v = next(it);print v

v = next(it);print v

v = next(it);print vg()已经返回了一个迭代器，iter这个迭代器将得到迭代器自身。所以it依然是生成器函数g返回的迭代器。

it = g()

print id(it)

print id(iter(it)) #same value as previous line

在执行g()的时候，并没有输出L1。而是第一次调用next的时候，L1输出，next返回1。以此类推，之后L4被打印出来，最后一个next抛出SropIteration异常。

利用生成器，我们可以重写之前的随机序列，看起来简单多了。

import random

def demo_generator(n):

while True:

v = random.randint(0,n)

if v > 5:

yield v

else:

break

for i in demo_generator(10):

print i

5 应用、itertools、以及其他

迭代器由于其不定长的特性，特别适合表达数学中的『无穷序列』

比如说，我们要寻找前10组直角三角形的边长。算法是暴利枚举每一边的长度。然而，我们并不知道边长的搜索边界，用列表做循环显然不合适。

所以，我们首先产生一个正整数无穷序列：

def pint():

i = 1

while True:

yield i

i += 1

然后进行穷举。因为直角三角形的直角边总小于斜边，所以直角边的范围不用取无穷序列。另外，为了避免对称重复，最内层循环的直角边只取比另一个直角边小的值。

def tri():

for h in pint(): #hypotenuse

for c1 in xrange(1,h): #cathetus1

for c2 in xrange(1,c1): #cathetus2

if c1 * c1 + c2 * c2 == h * h:

yield (c1,c2,h)

tri也是个生成器，得到的迭代器也是个无穷序列。取前10个，用for循环就好：

for i,v in enumerate(tri()):

if i == 10:

break

print v

实际上想取多少就取多少。这种无穷序列在解决数学问题的时候特别方便。

Python内建库itertools有很多很方便的函数，大部分函数都支持无穷序列的运算。若自己写一些迭代器(无论用类的方法，还是用生成器)，就可以很方便的利用这些itertools函数了。具体的计算功能可见相关文档。

Python中除了可迭代对象，还有『容器』对象的概念。尽管很多内建对象即是容器又是可迭代对象，但这两个概念是相互独立的。容器对象无非是实现了__contains__成员，使得能够接受in操作符的运算。一个对象是不是容器，和它是不是可迭代，没有任何关系。

class cont(object):

def __contains__(self,x):

return True

if 2 in cont():

print 'Here'

for x in cont(): #TypeError: 'cont' object is not iterable

print x