目录结构：
contents structure [-]
在开始文章之前，先贴上一张iterable、iterator与generator之间的关系图：
1. iterator vs iterable
迭代器(iterator)
迭代器是实现了迭代器协议的类对象，迭代器协议规定了迭代器类必需定义__next()__方法。当对迭代器对象调用next()方法时，对象会去调用__next()__计算迭代器的返回值。
可迭代对象(iterable)
可迭代对象可以是任何对象，不一定是能返回迭代器的数据结构。一个可迭代对象会直接或间接性的调用这两个方法__iter()__和__next()__；其中__iter()__方法只能返回迭代器对象，__next()__则供给迭代器进行调用。
通常情况下，可迭代类都会实现__iter()__和__next()__,并且__iter()__返回它自己，换句话说，该类即是迭代器又是可迭代类。
下面的代码展示了迭代器和可迭代器对象之间的差别：
|
1
2
3
4
5
6
7
8
|
a_set = {1, 2, 3}#定义set数据类型，set是可迭代类型b_iterator = iter(a_set)#得到set的迭代器#output: 1print(next(b_iterator))#output: <class 'set'>print(type(a_set))#output: <class 'set_iterator'>print(type(b_iterator)) |
从结果可以看出a_set是一个可迭代类型（set类型）,b_iterator是一个迭代器（set_iterator），它们两个是完全不一同的类型。
下面的自定义了一个迭代器：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
class series(object): def __init__(self, low, high): self.current = low self.high = high def __iter__(self): return self def __next__(self): if self.current > self.high: raise stopiteration else: self.current += 1 return self.current - 1n_list = series(1,10) print(list(n_list)) |
从上面的代码可以看出，__iter__返回了迭代器本身。__next__返回迭代器的下一个值，如果没有下一个返回值那么会抛出stopiteration异常。如果没有在合适的位置抛出stopiteration异常结束迭代，那么在某些循环语句中（例如：for loop），将会形成死循环，所以在__next__中必需要在合适位置添加退出语句（抛出stopiterator异常）。
2.itertools 模块
itertools是python的内置模块，其中包含了能够创建迭代器的函数。简而言之，它提供了许多能够与迭代器交互的方法。
下面是我们使用itertools模块中count函数的案例：
|
1
2
3
4
|
from itertools import countsequence = count(start=0, step=1)while(next(sequence) <= 10): print(next(sequence),end=" ") |
输出：
itertools中的cycle函数可以创建无限迭代器，例如：
|
1
2
3
4
5
6
|
from itertools import cycledessert = cycle(['icecream','cake'])count = 0while(count != 4): print('q. what do we have for dessert? a: ' + next(dessert)) count+=1 |
输出：
q. what do we have for dessert? a: icecream
q. what do we have for dessert? a: cake
q. what do we have for dessert? a: icecream
q. what do we have for dessert? a: cake
关于更多itertools模块的使用， 可以 参见python文档 。
3.生成器（generator）
生成器可以说是迭代器的亲兄弟，生成器允许我们像上面那样写迭代器而不用额外定义__iter__()和__next__()方法。
看下面的案例：
|
1
2
3
4
5
6
7
8
|
def series_generator(low, high): while low <= high: yield low low += 1n_list = []for num in series_generator(1,10): n_list.append(num)print(n_list) |
如果一个方法中出现了yield关键字，那么该方法就是一个生成器。生成器中没有return语句，函数的返回值实际上是一个generator。当循环开始执行到yield语句后，low的值会被扩展到要返回的generator中。当下一次循环到达yield语句时，generator会从上一次停止的地方恢复执行，并且将最新的low值添加到generator中。循环一直运行下去，直到low>high退出循环。
生成器支持延迟计算，只有当去取生成器中的值时才会计算。
例如：
|
1
2
3
4
5
6
7
8
9
10
11
|
def test(): print("进入test函数") for i in range(2): print("yield number ",i) yield iif "__main__" == __name__: print("开始调用test") res = test() print("结束调用test") next(res) next(res) |
输出：
开始调用test
结束调用test
第一次next(res)
进入test函数
yield number 0
第二次next(res)
yield number 1
从结果可以看出，只有使用next调用迭代器时（使用for,while循环也可以），才会去执行迭代器函数中的内容。
python中生成器可以分为生成器函数和生成器表达式，生成器函数和生成器表达式是两种不同的类型。
生成器函数是一个函数体中有yield关键字的，我们上面定义的test就是生成器函数。
生成器表达式的使用比较受限制，一个生成器表达式返回一个生成器。下面是一个使用生成器表达式的案例：
|
1
2
3
|
squares = (x * x for x in range(1,10))print(type(squares))print(list(squares)) |
输出：
<class 'generator'>
[1, 4, 9, 16, 25, 36, 49, 64, 81]
生成器的效率是非常高的，生成器可以更好的利用内存和cpu的使用效率，并且通常生成器的代码都比较少，这使用生成器的代码非常好容易理解。应此应该尽量多的在代码中使用生成器
参考文档
https://www.datacamp.com/community/tutorials/python-iterator-tutorial
总结
以上所述是小编给大家介绍的python中的迭代器,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
