要说生成器，必须首先说迭代器
讲到迭代器，就需要区别几个概念:iterable,iterator,itertion, 看着都差不多，其实不然。下面区分一下。
itertion: 就是迭代,一个接一个(one after another),是一个通用的概念，比如一个循环遍历某个数组。
iterable: 这个是可迭代对象,属于python的名词，范围也很广，可重复迭代，满足如下其中之一的都是iterable:
可以for循环: for i in iterable
可以按index索引的对象，也就是定义了__getitem__方法，比如list,str;
定义了__iter__方法。可以随意返回。
可以调用iter(obj)的对象，并且返回一个iterator
iterator: 迭代器对象,也属于python的名词，只能迭代一次。需要满足如下的迭代器协议
定义了__iter__方法，但是必须返回自身
定义了next方法,在python3.x是__next__。用来返回下一个值，并且当没有数据了，抛出StopIteration
可以保持当前的状态
1 In [3]: s = ‘hi‘ 2 3 In [4]: s.__getitem__ 4 Out[4]: <method-wrapper ‘__getitem__‘ of str object at 0x7f9457eed580> 5 6 In [5]: s.next # 没有next方法 7 --------------------------------------------------------------------------- 8 AttributeError Traceback (most recent call last) 9 <ipython-input-5-136d3c11be25> in <module>() 10 ----> 1 s.next 11 12 AttributeError: ‘str‘ object has no attribute ‘next‘ 13 14 In [6]: l = [1,2] # 同理 15 16 In [7]: l.__iter__ 17 Out[7]: <method-wrapper ‘__iter__‘ of list object at 0x7f945328c320> 18 19 In [8]: l.next 20 --------------------------------------------------------------------------- 21 AttributeError Traceback (most recent call last) 22 <ipython-input-8-c6f8fb94c4cd> in <module>() 23 ----> 1 l.next 24 25 AttributeError: ‘list‘ object has no attribute ‘next‘ 26 In [9]: iter(s) is s #iter() 没有返回本身 27 Out[9]: False 28 In [10]: iter(l) is l #同理 29 Out[10]: False
但是对于iterator则不一样如下, 另外iterable可以支持多次迭代，而iterator在多次next之后，再次调用就会抛异常,只可以迭代一次。
1 In [13]: si = iter(s) 2 3 In [14]: si 4 Out[14]: <iterator at 0x7f9453279dd0> 5 6 In [15]: si.__iter__ # 有__iter__ 7 Out[15]: <method-wrapper ‘__iter__‘ of iterator object at 0x7f9453279dd0> 8 9 In [16]: si.next #拥有next 10 Out[16]: <method-wrapper ‘next‘ of iterator object at 0x7f9453279dd0> 11 12 In [20]: si.__iter__() is si #__iter__返回自己 13 Out[20]: True
这样，由这几个例子可以解释清楚这几个概念的区别。
说到这里，迭代器对象基本出来了。下面大致说一下，如何让自定义的类的对象成为迭代器对象，其实就是定义__iter__和next方法:
1 In [1]: %paste 2 class DataIter(object): 3 4 def __init__(self, *args): 5 self.data = list(args) 6 self.ind = 0 7 8 def __iter__(self): #返回自身 9 return self 10 11 def next(self): # 返回数据 12 if self.ind == len(self.data): 13 raise StopIteration 14 else: 15 data = self.data[self.ind] 16 self.ind += 1 17 return data 18 ## -- End pasted text -- 19 20 In [9]: d = DataIter(1,2) 21 22 In [10]: for x in d: # 开始迭代 23 ....: print x 24 ....: 25 1 26 2 27 28 In [13]: d.next() # 只能迭代一次,再次使用则会抛异常 29 --------------------------------------------------------------------------- 30 StopIteration Traceback (most recent call last) 31 ----> 1 d.next() 32 <ipython-input-1-c44abc1904d8> in next(self) 33 10 def next(self): 34 11 if self.ind == len(self.data): 35 ---> 12 raise StopIteration 36 13 else: 37 14 data = self.data[self.ind]
从next函数中只能向前取数据,一次取一个可以看出来，不过不能重复取数据，那这个可不可以解决呢？
我们知道iterator只能迭代一次，但是iterable对象则没有这个限制，因此我们可以把iterator从数据中分离出来，分别定义一个iterable与iterator如下：
1 class DataIterator(object): # iterator: 迭代器 2 3 def __init__(self, data): 4 self.data = data.data 5 self.ind = 0 6 7 def __iter__(self): 8 return self 9 10 def next(self): 11 if self.ind == len(self.data): 12 raise StopIteration 13 else: 14 data = self.data[self.ind] 15 self.ind += 1 16 return data 17 18 if __name__ == ‘__main__‘: 19 d = Data(1, 2, 3) 20 for x in d: 21 print x, 22 for x in d: 23 print x,
输出：
1,2,3 1,2,3
可以看出来数据可以复用，因为每次都返回一个DataIterator，但是数据却可以这样使用，这种实现方式很常见，比如xrange的实现便是这种数据与迭代分离的形式，但是很节省内存，如下：
1 In [8]: sys.getsizeof(range(1000000)) 2 Out[8]: 8000072 3 4 In [9]: sys.getsizeof(xrange(1000000)) 5 Out[9]: 40
另外有个小tips， 就是为什么可以使用for 迭代迭代器对象，原因就是for替我们做了next的活，以及接收StopIteration的处理。
迭代器大概就记录到这里了，下面开始一个特殊的更加优雅的迭代器: 生成器
首先需要明确的就是生成器也是iterator迭代器，因为它遵循了迭代器协议.
yield的函数生成器函数跟普通函数只有一点不一样，就是把 return 换成yield,其中yield是一个语法糖，内部实现了迭代器协议，同时保持状态可以挂起。如下:
记住一点，yield是数据的生产者，而诸如for等是数据的消费者。
1 def gen(): 2 print ‘begin: generator‘ 3 i = 0 4 while True: 5 print ‘before return ‘, i 6 yield i 7 i += 1 8 print ‘after return ‘, i 9 10 a = gen() 11 12 In [10]: a #只是返回一个对象 13 Out[10]: <generator object gen at 0x7f40c33adfa0> 14 15 In [11]: a.next() #开始执行 16 begin: generator 17 before return 0 18 Out[11]: 0 19 20 In [12]: a.next() 21 after return 1 22 before return 1 23 Out[12]: 1
首先看到while True 不必惊慌，它只会一个一个的执行～
看结果可以看出一点东西:
调用gen()并没有真实执行函数，而是只是返回了一个生成器对象
执行第一次a.next()时，才真正执行函数，执行到yield一个返回值，然后就会挂起，保持当前的名字空间等状态。然后等待下一次的调用,从yield的下一行继续执行。
还有一种情况也会执行生成器函数，就是当检索生成器的元素时，如list(generator), 说白了就是当需要数据的时候，才会执行。
In [15]: def func(): ....: print ‘begin‘ ....: for i in range(4): ....: yield i In [16]: a = func() In [17]: list(a) #检索数据，开始执行 begin Out[17]: [0, 1, 2, 3]
yield还有其他高级应用，后面再慢慢学习。
列表生成器十分方便：如下,求10以内的奇数:[i for i in range(10) if i % 2]
同样在python 2.4也引入了生成器表达式，而且形式非常类似，就是把[]换成了().
1 In [18]: a = ( i for i in range(4)) 2 3 In [19]: a 4 Out[19]: <generator object <genexpr> at 0x7f40c2cfe410> 5 6 In [20]: a.next() 7 Out[20]: 0
可以看出生成器表达式创建了一个生成器，而且生有个特点就是惰性计算, 只有在被检索时候，才会被赋值。
之前有篇文章:python 默认参数问题及一个应用,最后有一个例子:
1 def multipliers(): 2 return (lambda x : i * x for i in range(4)) #修改成生成器 3 print [m(2) for m in multipliers()]
这个就是说，只有在执行m(2)的时候，生成器表达式里面的for才会开始从0循环，然后接着才是i * x,因此不存在那篇文章中的问题.
惰性计算这个特点很有用，上述就是一个应用，2gua这样说的:
个人理解就是就是可以利用生成器来作为数据管道使用，当被检索的时候，每次拿出一个数据，然后向下面传递,传到最后，再拿第二个数据，在下面的例子中会详细说明。
其实本质跟迭代器差不多,不一次性把数据都那过来，需要的时候，才拿。
基础版：http://www.runoob.com/python3/python3-iterator-generator.html
三元运算是if-else 语句的快捷操作，也被称为条件运算。
1 #样式：[on_true] if [expression] else [on_false] 2 #例子： 3 x, y = 50, 25 4 small = x if x < y else y 5 #还可以嵌套使用,然当还可以更多层嵌套 6 a,b,c = 10,20,5 7 minValue = a if a < b and a < c else (b if b < a and b < c else c)
Python学习——02-Python基础——【5-迭代器协议和生成器】
原文：https://www.cnblogs.com/caofu/p/8707870.html