在 Python 中，生成器（Generator）是一種特殊類型的迭代器，允許你在迭代過程中逐步生成值，而不是一次性生成所有值。生成器的創建通常通過包含 yield 關鍵字的函數實現。當函數包含 yield 時，該函數會返回一個生成器對象。

生成器的主要優點包括：

1. 延遲求值（Lazy Evaluation）：生成器在需要值的時候才生成值，這樣可以節省內存。
2. 流式處理（Stream Processing）：適用于處理大型數據集或無限序列，因為它們不會將所有值一次性加載到內存中。
3. 簡潔的代碼：生成器可以使代碼更簡潔和可讀，特別是處理復雜迭代邏輯時。
   

生成器示例

下面是一些使用生成器的示例：

基本生成器示例

一個簡單的生成器函數，它生成從 0 到 n 的數字：

def simple_generator(n):for i in range(n):yield igen = simple_generator(5)
for value in gen:print(value)

輸出：

0
1
2
3
4

無限序列生成器

生成器可以用于創建無限序列，例如生成斐波那契數列：

def fibonacci():a, b = 0, 1while True:yield aa, b = b, a + bfib_gen = fibonacci()
for _ in range(10):print(next(fib_gen))

輸出：

0
1
1
2
3
5
8
13
21
34

使用生成器表達式

生成器表達式是生成器的簡潔形式，類似于列表解析（List Comprehensions），但它們使用圓括號 () 而不是方括號 []。例如：

gen_exp = (x * x for x in range(10))
for value in gen_exp:print(value)

輸出：

0
1
4
9
16
25
36
49
64
81

實用示例：按行讀取大文件

生成器可以用于按行讀取大文件而不占用過多內存：

def read_large_file(file_path):with open(file_path, 'r') as file:while line := file.readline():yield line.strip()file_gen = read_large_file('large_file.txt')
for line in file_gen:print(line)

生成器的 send、throw 和 close 方法

生成器對象有三個額外的方法：

• send(value)：恢復生成器，并向生成器提供一個值，該值會成為生成器中 yield 表達式的返回值。
• throw(type, value=None, traceback=None)：在生成器中拋出一個異常。
• close()：停止生成器。

示例：

def generator_with_send():while True:value = (yield)print(f'Received: {value}')gen = generator_with_send()
next(gen)  # 預激生成器
gen.send('Hello')
gen.send('World')
gen.close()

輸出：

Received: Hello
Received: World

使用生成器可以編寫高效、易讀的代碼，特別是在處理需要逐步生成數據的場景時。

生成器和迭代器

生成器和迭代器在 Python 中都是用于迭代的對象，但它們之間有一些顯著的區別和聯系。下面是生成器和迭代器的詳細比較：

迭代器（Iterator）

定義

• 迭代器是一個實現了 __iter__() 和 __next__() 方法的對象。
• 任何實現了這些方法的對象都可以用于迭代。

創建

• 迭代器通常通過實現這兩個方法來創建。
• 也可以使用內置的 iter() 函數從一個可迭代對象（如列表或元組）創建迭代器。

使用

• 通過 next() 函數獲取下一個元素。
• 當沒有更多元素時，next() 會拋出 StopIteration 異常。

示例

# 創建一個迭代器
class MyIterator:def __init__(self, start, end):self.current = startself.end = enddef __iter__(self):return selfdef __next__(self):if self.current >= self.end:raise StopIterationelse:self.current += 1return self.current - 1it = MyIterator(1, 5)
for num in it:print(num)# 使用內置的 iter() 函數
lst = [1, 2, 3, 4]
it = iter(lst)
print(next(it))  # 輸出: 1
print(next(it))  # 輸出: 2

生成器（Generator）

定義

• 生成器是一個特殊的迭代器，通過函數來定義，使用 yield 關鍵字生成值。
• 每次調用生成器函數時，生成器函數返回一個生成器對象，這個對象實現了迭代器協議。

創建

• 通過包含 yield 關鍵字的函數創建。
• 生成器表達式也可以用于創建生成器，類似于列表解析（List Comprehensions）。

使用

• 通過 next() 函數獲取下一個元素，或在 for 循環中使用。
• 當沒有更多元素時，生成器自動拋出 StopIteration 異常。

示例

# 生成器函數
def my_generator():for i in range(1, 5):yield igen = my_generator()
for num in gen:print(num)# 生成器表達式
gen_exp = (x * x for x in range(5))
for num in gen_exp:print(num)

主要區別和聯系

1. 創建方式

• 迭代器：通過實現 __iter__() 和 __next__() 方法的類創建。
• 生成器：通過函數定義，使用 yield 關鍵字。

2. 代碼簡潔性

• 迭代器：創建迭代器需要定義一個類并實現兩個方法。
• 生成器：生成器函數更簡潔，只需定義一個函數并使用 yield。

3. 內存效率

• 迭代器：通常用于較小的數據集合，因為它們需要預先定義數據集合。
• 生成器：適用于大數據集合或無限數據流，因為它們是按需生成數據。

4. 使用方式

• 迭代器：需要顯式調用 next() 獲取下一個元素。
• 生成器：可以像普通函數一樣調用，并在 for 循環中直接使用。

示例對比

迭代器示例

class Counter:def __init__(self, low, high):self.current = lowself.high = highdef __iter__(self):return selfdef __next__(self):if self.current > self.high:raise StopIterationelse:self.current += 1return self.current - 1counter = Counter(1, 5)
for num in counter:print(num)

生成器示例

def counter(low, high):current = lowwhile current <= high:yield currentcurrent += 1for num in counter(1, 5):print(num)

總結

• 生成器是迭代器的一種，提供了更簡潔的語法和更高的內存效率，適合處理大數據或無限序列。
• 迭代器提供了更靈活的實現方式，適合需要自定義迭代行為的場景。

生成器和列表

生成器和序列在 Python 中有顯著的區別。下面從幾個方面來詳細比較它們：

1. 定義和存儲

• 序列（Sequence）：

  • 序列是一種容器數據類型，包含了一系列有序的元素，如列表（list）、元組（tuple）、字符串（string）等。
  • 序列中的元素是預先存儲在內存中的，可以通過索引直接訪問。

• 生成器（Generator）：

  • 生成器是一種特殊的迭代器，用于逐步生成元素。生成器函數使用 yield 關鍵字來返回一個生成器對象。
  • 生成器在運行時逐步生成元素，并不會將所有元素一次性存儲在內存中。

2. 內存使用

• 序列：由于序列會將所有元素存儲在內存中，所以在處理大數據集時可能會占用大量內存。
• 生成器：生成器按需生成元素，僅在需要時生成下一個元素，因而在處理大數據集時非常節省內存。

3. 訪問方式

• 序列：支持通過索引訪問元素，并且支持切片操作。例如 lst[0] 或 lst[1:3]。
• 生成器：不支持索引訪問和切片操作。只能通過迭代器接口（如 for 循環或 next() 函數）逐個獲取元素。

4. 惰性求值（Lazy Evaluation）

• 序列：所有元素在創建時就被立即計算并存儲。
• 生成器：元素是按需計算的，只有在訪問時才會生成對應的值。這種惰性求值方式可以提高效率，尤其在處理潛在的無限序列或大數據集時。

5. 可復用性

• 序列：可以多次遍歷。例如，你可以多次使用 for 循環遍歷列表。
• 生成器：只能遍歷一次。一旦生成器到達末尾，再次遍歷時需要重新創建生成器對象。

6. 示例對比

序列示例

# 使用列表（序列）
sequence = [1, 2, 3, 4, 5]
for item in sequence:print(item)# 可以通過索引訪問
print(sequence[2])# 可以多次遍歷
for item in sequence:print(item)

生成器示例

# 使用生成器
def simple_generator():for i in range(1, 6):yield igen = simple_generator()# 逐個獲取生成器的值
for item in gen:print(item)# 再次遍歷需要重新創建生成器
gen = simple_generator()
for item in gen:print(item)# 不能通過索引訪問
try:print(gen[2])
except TypeError as e:print(e)  # 'generator' object is not subscriptable

總結

• 序列適用于需要頻繁隨機訪問元素和多次遍歷的場景。
• 生成器適用于處理大型數據集或無限序列，以及按需生成數據的場景。生成器在內存效率和惰性求值方面有顯著優勢。

生成器的應用總結