从零开始：Python语言进阶之生成器

在Python编程的世界里，生成器是一个既基础又强大的功能，它就像是一个“数据加工厂”，能按需生产数据，帮助我们更高效地处理数据。接下来，我们就从最基础的概念开始，深入了解生成器。

 

一、生成器的基础概念

 

生成器是一种特殊的迭代器。那什么是迭代器呢？简单来说，迭代器是可以被 for 循环遍历的对象，比如列表、元组、字典等。但与普通迭代器不同，生成器不会一次性把所有数据都准备好，而是在需要的时候才生成一个数据，这种特性叫做惰性求值。

 

举个生活中的例子，假设有一个巨大的仓库装满了货物（大量数据）。普通的方式是一次性把所有货物都搬到外面（一次性生成所有数据），这会占用很大空间；而生成器就像是一个“按需发货员”，每次只拿出一件货物（每次生成一个数据），等你需要下一件时，它再去拿，这样就不会占用过多空间。在编程中，当我们处理大量数据，或者数据生成过程比较复杂时，生成器的这种特性就能大大节省内存，提高程序运行效率。

 

二、生成器的两种创建方式

 

（一）生成器函数

 

1. 定义方式

生成器函数看起来和普通函数很像，唯一的区别是普通函数用 return 返回结果，而生成器函数用 yield 关键字返回结果。比如下面这个简单的生成器函数：

def simple_generator():
    print("生成器开始工作")
    yield 1
    print("继续生成数据")
    yield 2
    print("生成器完成任务")

2. 执行过程详解

我们通过调用这个函数来创建一个生成器对象：

gen = simple_generator()

此时，函数内部的代码并不会立即执行，直到我们调用 next() 函数来获取数据。

print(next(gen))  

执行这行代码时，生成器函数开始运行，先打印“生成器开始工作”，遇到 yield 1 后，函数暂停执行，把 1 返回给调用者。这时函数的状态被“记住”，包括所有变量的值和执行位置。

 

当我们再次调用 next() ：

print(next(gen))  

生成器函数从上次暂停的地方继续执行，打印“继续生成数据”，遇到 yield 2 再次暂停，把 2 返回。如果再调用 next(gen) ，因为没有更多的 yield 语句，就会抛出 StopIteration 异常，表示数据生成结束。
 
3. 实际应用案例
以生成偶数数列为例：

def even_numbers(n):
    num = 0
    count = 0
    while count < n:
        yield num
        num += 2
        count += 1

使用这个生成器函数：

for num in even_numbers(5):
    print(num)

这样，每次循环只会生成一个偶数，而不是一次性生成包含5个偶数的列表，节省了内存。

 

（二）生成器表达式

 

1. 定义与语法

生成器表达式的语法和列表推导式很像，只不过列表推导式用方括号 [] ，生成器表达式用圆括号 () 。比如，生成1到10的平方数：

# 列表推导式，会立即生成列表
square_list = [x ** 2 for x in range(1, 11)]
# 生成器表达式，不会立即生成数据
square_generator = (x ** 2 for x in range(1, 11))

2. 与列表推导式的区别

列表推导式会马上把所有结果计算出来并放在一个列表里，占用相应的内存空间。例如上面的 square_list ，会一次性生成包含10个平方数的列表。

 

而生成器表达式只是一个“生产方案”，只有在使用 next() 函数或者通过 for 循环遍历它时，才会逐个生成数据。这就好比列表推导式是把所有产品都生产出来堆在仓库，而生成器表达式是接到订单才开始生产，大大减少了内存占用。

 

3. 使用方法

 

① 用 next() 函数获取数据：

gen = (x * 3 for x in range(3))
print(next(gen))  # 输出 0
print(next(gen))  # 输出 3
print(next(gen))  # 输出 6
# print(next(gen))  # 再次调用会抛出StopIteration异常

② 用 for 循环遍历：

gen = (x * 3 for x in range(3))
for num in gen:
    print(num)

三、生成器的常用操作方法

 

（一） next() 方法

 

 next() 方法是获取生成器数据的主要方式之一。每次调用 next() ，生成器就会从上一次暂停的地方继续执行，直到遇到下一个 yield 语句，返回对应的值。如果没有更多 yield 语句，就会抛出 StopIteration 异常。

 

（二） send() 方法

 

 send() 方法不仅能让生成器继续执行，还能给生成器“传值”。比如：

def greeting_generator():
    name = yield "你好"
    yield f"{name}，最近好吗？"

gen = greeting_generator()
print(next(gen))  
print(gen.send("小明"))  

这里，第一次调用 next(gen) 时，生成器执行到 yield "你好" 暂停，返回“你好”。第二次调用 gen.send("小明") ，“小明”会作为 name 的值传入生成器内部，然后生成器继续执行，遇到下一个 yield ，返回 "小明，最近好吗？" 。

 

（三） throw() 方法

 

 throw() 方法可以在生成器内部抛出异常。比如我们想提前结束生成器：

def count_generator():
    num = 0
    while True:
        try:
            yield num
            num += 1
        except ValueError:
            print("收到异常，停止生成")
            break

gen = count_generator()
for _ in range(3):
    print(next(gen))
gen.throw(ValueError)

这里，前三次调用 next(gen) 正常生成数据，当调用 gen.throw(ValueError) 时，生成器内部捕获到 ValueError 异常，执行相应的处理逻辑后结束。

 

四、使用生成器常见的基础问题及解决办法

 

（一） StopIteration 异常处理

 

当生成器数据生成完毕，再调用 next() 就会抛出 StopIteration 异常。在使用 for 循环遍历生成器时，这个异常会被自动处理，循环会正常结束。但如果手动调用 next() ，就需要用 try - except 来处理异常：

gen = (x for x in range(3))
while True:
    try:
        value = next(gen)
        print(value)
    except StopIteration:
        break

（二）生成器的状态混乱

 

因为生成器会暂停和恢复执行，在复杂的代码里，可能会出现变量状态不对的情况。比如一个生成器函数里有多个 yield ，变量在不同 yield 之间的更新没处理好。解决办法是把生成器函数的逻辑写得尽量简单清晰，给变量和关键代码加上注释，标明每次 yield 前后变量的变化。

 

（三）生成器与其他数据类型配合使用

 

有时候我们需要把生成器的数据转成列表、字典等其他数据类型。比如用 list() 函数可以把生成器转成列表：

gen = (x for x in range(5))
result_list = list(gen)
print(result_list)

但要注意，如果生成器数据量特别大，转成列表可能会占用大量内存，这时要谨慎使用，或者考虑分批处理数据。

 

掌握生成器的这些基础知识和使用技巧，能让我们在Python编程中更灵活地处理数据。无论是处理大量数据的场景，还是需要按需生成数据的情况，生成器都能成为我们编程的得力助手。

正在持续更新，感谢您的关注