生成器

生成器（generator）

什么是生成器？

• 简单的来说：一边运行一边生产数据的方式
• 生成器是一类特殊的迭代器
• 特点：数据真正需要的时候再生产，而不是先生成N个数据放在那里等着用

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。

制作生成器的两种方式

(一）

将列表推导式 [ ] 改成==（）==

t = [i for i in range(100)]
print(type(t))  # <class 'list'>
t1 = (i for i in range(100))
print(type(t1))  # <class 'generator'>

(二）

在def定义的函数中用yield。

def test1():
    print(1)
    print(2)
    print(3)
    return 123


def test2():
    print("----4----")
    yield 4
    print("----5----")
    num = yield
    print("----6----num=", num)
    yield
    return 466


t1 = test1()  # 会执行test1函数中的代码
t2 = test2()  # 不会执行test2中的代码，而是将test2()认为是创建了一个对象

print(type(t1))  # <class 'int'>
print(type(t2))  # <class 'generator'> 这就是生成器

只要在def中有yield关键字的 就称为 生成器,可以用next()来获取生成器的数据，生成器是可以迭代的。

def gen():
    i = 0
    yield i
    i += 1
    num = yield 200
    print(num)
    i += 1
    yield 100


g = gen()

print(next(g))  # 0
print(next(g))  # 200

我们除了可以使用next（）函数来唤醒生成器继续执行之外，还可以使用send（）函数来唤醒执行。

send唤醒作用：可以在唤醒前的同时向段点传入一个附加数据

def gen():
    i = 0
    while i < 5:
        temp = yield i
        print(temp)
        i += 1


g = gen()
print(next(g))  # 0，打印完不动了卡在yield中
# 打印完0之后卡在第一次yield中这是send传参给temp，所以打印完20 i+1，
# 又进入循环卡到yield，yield返回i值所以打印1，此时程序又卡在第二次的yield上。
print(g.send(20))  # 20，1
# 打印完1之后卡在第二次yield中这是send传参给temp，所以打印完12 i+1，
# 又进入循环卡到yield，yield返回i值所以打印2，此时程序又卡在第三次的yield上。
print(g.send(12))  # 12，2
#这块有点难理解，需要慢慢一步一步细心走！！！

总结

• 使用了yield关键字的函数就不再是函数，而是生成器。
• yield关键字有两点作用：
  • 保存当前运行状态（断点），然后暂停执行，即将生成器（函数）挂起。
  • 将yield关键字后面表达式的值作为返回值返回，此时可以理解为起到了return的作用
• 可以使用next()函数让生成器从断点处继续执行，即唤醒生成器（函数）
• Python3中的生成器可以使用return返回最终运行的返回值
• 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：存储的是生成数据的方式（即算法），而不是存储生成的数据，因此节约内存