思考：
一、迭代器/可迭代对象
1.可迭代对象（费内存）
老版本python：range比较费内存（需要多少数据，全部存在list中，在数据量比较大的情况下非常耗内存）
range实现过程：
from typing import Iterable def range_test(stop): start = 0 result = [] while start < stop: result.append(start) start += 1 return result if __name__ == ‘__main__‘: print(isinstance(range_test(10),Iterable)) # 判断返回结果是不是可迭代，True print(range_test(10)) # output：[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2.可迭代对象（省内存）
from typing import Iterable # Next含有__next__()方法，每次变量＋1，一次只占用一个数的内存 class Next(object): """Next class""" def __init__(self, stop, start=-1): self.start = start self.stop = stop def __next__(self): if self.start >= self.stop - 1: raise StopIteration self.start += 1 return self.start
# 含有__iter__()方法，return调用Next class MyRange: def __init__(self, stop): self.stop = stop def __iter__(self): return Next(self.stop)
使用调式模式，单步执行，可看到程序执行Next，每执行一次，生成一个数据。不耗内存
for是迭代（自动执行__iter__,__next__），while是循环（手动指定函数）
if __name__ == ‘__main__‘: print(Next(10).__next__()) # 0 for item in MyRange(10): # for循环自动执行__iter__,__next__方法 print(item) # while循环 num = MyRange(10).__iter__() i = 0 while i < 10: print(num.__next__()) # 0,1,2,3,4,5,6,7,8,9 i += 1
3.可迭代对象定义
可以被for迭代的对象都是可迭代对象
对象有__iter__方法的，都是可迭代对象（如果没有__iter__方法，他不可以被for迭代），__iter__要求返回值必须是一个迭代器（严格来说，返回值必须有__next__方法）
常见的可迭代对象；list、tuple、string、dict
判断某个每个对象是不是可迭代对象:
可通过dir()查看所有属性中是否有__iter__方法
也可以通过hasattr(list,‘__iter__‘)，查看list是否有__iter__方法。返回True则说明有该方法
判断MyRange(10)是否是可迭代对象:
print(isinstance(MyRange(10),Iterable) 返回True，则MyRange(10)是可迭代对象，因为有__iter__方法
判断Next(10)是否是可迭代对象:
print(isinstance(Next(10),Iterable) 返回False,则Next(10)不是可迭代对象，因为没有__iter__方法
4.迭代器定义
迭代器必须有__iter__ __next__ 属性
核心：通过 __next__方法记住迭代的位置，有没有迭代完毕
迭代器是特殊的可迭代对象，
可以被for迭代，for迭代迭代器时，会自动执行__next__方法
迭代器比较省内存，一次只给一个数。
没有迭代器，则用不了for，只能用while
判断Next(10)是否是迭代器
print(isinstance(Next(10),Iterator) # Fasle 因为虽然有__next__方法，但是缺少__iter__方法
注意：__iter__必须返回一个迭代器（严格来说，返回值必须有__next__方法）
二、生成器
因为迭代器手工实现比较麻烦
所以python提供了生成器对象，生成器对象的目的就是获得迭代器对象（非常高效）
def fun(): print("在yield1前面") yield 1 print("在yield1后面，yield2前面") yield 2 if __name__ == ‘__main__‘: # 验证是否是生成器 print(fun()) # <generator object fun at 0x104d00150> 结果是一个生成器对象，但是没有运行函数 print(hasattr(fun(),"__iter__")) # True print(hasattr(fun(),"__next__")) # True # 运行生成器，必须要调用__next__ print(fun().__next__()) # 1 / 在yield1前面 # 运行出全部结果,for自动调用__next__ for i in fun(): print(i)
注意：
当python解释器看到函数中有yield的时候，不会立即去调用这个函数，而是先创建一个生成器对象。而这个生成器对象会记住函数的状态
在for循环中，运行到第一个yield时，就暂时退出了(类似return，但区别是return是永久跳出不会再回去了)。再次运行时（__next__记住位置），会从yield1后面开始运行
当执行next(生成器对象)时，会执行生成器对象的yield.
生成器是特殊的迭代器，迭代器是特殊的可迭代对象
生成器是可迭代对象
如果创建生成器对象（通过yield）
yield：关键字
记住函数执行的状态
当执行next(g)时，会执行g中的yield
yield和return的区别：
return：跳出函数，不回来了
yield：暂时跳出，还会回来
生成器的使用场景：
生成器为什么省内存：因为有__next__
生成器是为了快速获得含有__iter__ __next__的方法
场景一：我需要99999999999个数字，一下子把1——9999999999999个数字放到list中
场景二：我需要99999999999个数字，需要1生成1，需要2生成2~~~~~需要999999999999生成999999999999
场景二是next思想（生成器、迭代器）
转载仅供参考：http://testingpai.com/article/1605148018144
原文：https://www.cnblogs.com/zhangjx2457/p/14038475.html