1. 生成器
2. 创建生成器方法 1
3. 创建生成器方法 2
总结
4. 使用 send 唤醒
1. 生成器
利用迭代器, 我们可以在每次迭代获取数据 (通过 next() 方法)时按照特定的规律进行生成. 但是我们在实现一个迭代器时, 关于当前迭代到的状态需要我们自己记录, 进而才能根据当前状态生成下一个数据. 为了达到记录当前状态, 并配合 next()函数进行迭代使用, 我们可以采用更简便的语法, 即生成器(generator). 生成器是一类特殊的迭代器.
2. 创建生成器方法 1
要创建一个生成器, 有很多种方法. 第一种方法很简单, 只要把一个列表生成式的 [ ] 改成 ( )
- In [15]: L = [ x*2 for x in range(5)]
- In [16]: L
- Out[16]: [0, 2, 4, 6, 8]
- In [17]: G = ( x*2 for x in range(5))
- In [18]: G
- Out[18]: <generator object <genexpr> at 0x7f626c132db0>
- In [19]:
创建 L 和 G 的区别仅在于最外层的 [ ] 和 ( ) , L 是一个列表, 而 G 是一个生成器. 我们可以直接打印出列表 L 的每一个元素, 而对于生成器 G, 我们可以按照迭代器的使用方法来使用, 即可以通过 next()函数, for 循环, list()等方法使用.
- In [19]: next(G)
- Out[19]: 0
- In [20]: next(G)
- Out[20]: 2
- In [21]: next(G)
- Out[21]: 4
- In [22]: next(G)
- Out[22]: 6
- In [23]: next(G)
- Out[23]: 8
- In [24]: next(G)
- ---------------------------------------------------------------------------
- StopIteration Traceback (most recent call last)
- <ipython-input-24-380e167d6934> in <module>()
- ----> 1 next(G)
- StopIteration:
- In [25]:
- In [26]: G = ( x*2 for x in range(5))
- In [27]: for x in G:
- ....: print(x)
- ....:
- 0
- 2
- 4
- 6
- 8
- In [28]:
3. 创建生成器方法 2
generator 非常强大. 如果推算的算法比较复杂, 用类似列表生成式的 for 循环无法实现的时候, 还可以用函数来实现.
我们仍然用上一篇 (python 迭代器) 提到的斐波那契数列来举例, 回想我们在上一篇用迭代器的实现方式:
- class Fabonacci(object):
- """斐波那契数列迭代器"""
- def __init__(self, num):
- self.num = num
- self.index = 0
- self.a = 0
- self.b = 1
- def __next__(self):
- if self.index < self.num:
- v = self.a
- self.b, self.a = self.a, self.a + self.b
- self.index += 1
- return v
- else:
- raise StopIteration
- def __iter__(self):
- return self
- if __name__ == "__main__":
- fab = Fabonacci(15)
- for i in fab:
- print(i)
注意, 在用迭代器实现的方式中, 我们要借助几个变量 (num,index,a,b) 来保存迭代的状态. 现在我们用生成器来实现一下.
- from collections import Iterator
- def fabonacci(num):
- index = 0
- a, b = 0, 1
- while index < num:
- val = a
- b, a = a, a + b
- index += 1
- yield val
- return "done"
- fab = fabonacci(5)
- print(isinstance(fab, Iterator))
- print(next(fab))
- print(next(fab))
- print(next(fab))
- print(next(fab))
- print(next(fab))
在使用生成器实现的方式中, 我们将原本在迭代器__next__方法中实现的基本逻辑放到一个函数中来实现, 但是将每次迭代返回数值的 return 换成了 yield, 此时新定义的函数便不再是函数, 而是一个生成器了. 简单来说: 只要在 def 中有 yield 关键字的 就称为 生成器
此时按照调用函数的方式 ( 案例中为 F = fib(5) ) 使用生成器就不再是执行函数体了, 而是会返回一个生成器对象( 案例中为 F ), 然后就可以按照使用迭代器的方式来使用生成器了.
- fab = fabonacci(5)
- for i in fab:
- print(i)
但是用 for 循环调用 generator 时, 发现拿不到 generator 的 return 语句的返回值. 如果想要拿到返回值, 必须捕获 StopIteration 错误, 返回值包含在 StopIteration 的 value 中:
- fab = fabonacci(5)
- while True:
- try:
- print(next(fab))
- except StopIteration as e:
- print("生成器返回值为:", e.value)
- break
总结
使用了 yield 关键字的函数不再是函数, 而是生成器.(使用了 yield 的函数就是生成器)
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, 而 Python2 中的生成器不允许使用 return 返回一个返回值(即可以使用 return 从生成器中退出, 但 return 后不能有任何表达式).
4. 使用 send 唤醒
我们除了可以使用 next()函数来唤醒生成器继续执行外, 还可以使用 send()函数来唤醒执行. 使用 send()函数的一个好处是可以在唤醒的同时向断点处传入一个附加数据.
例子: 执行到 yield 时, gen 函数作用暂时保存, 返回 i 的值; temp 接收下次 c.send("python"),send 发送过来的值, c.next()等价 c.send(None)
使用 send:
- def gen():
- i = 0
- while i < 10:
- temp = yield i
- print(temp)
- i += 1
- g = gen()
- print(next(g))
- print(g.send("python"))
- print(next(g))
- print(g.send(None))
使用 next:
- g = gen()
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
- print(next(g))
使用__next__方法(不常用):
- g = gen()
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
- print(g.__next__())
来源: https://www.cnblogs.com/zhangfengxian/p/10160872.html