前提

一种技术的出现，需要考虑：

1. 为了实现什么样的需求；
2. 遇到了什么样的问题；
3. 采用了什么样的方案；
4. 最终接近或达到了预期的效果。

概念

提前理解几个概念：

1. 迭代

   我们经常听到产品迭代、技术迭代、功能迭代，这里的迭代的意思是在现有产品、技术、功能等基础上进行研发升级的过程，就可以理解为迭代。

   从编程的角度讲，迭代是指重复执行一组操作的过程，通常是通过循环来实现。在编程中，迭代是遍历数据集合的一种方式，允许逐个访问集合中的元素。

2. 可迭代

   可迭代是指能够被迭代的对象，即可以通过迭代遍历其元素的对象。Python中的可迭代对象可以是列表、元组、字典、字符串等。可迭代对象支持使用for循环进行迭代。

3. 可迭代对象

   可迭代对象是实现了迭代协议的对象，即具有__iter__()方法的对象。该方法返回一个迭代器对象。

4. 迭代器

   迭代器是一个具有__iter__()和__next__()方法的对象，实现了迭代协议。__iter__()方法返回迭代器对象本身，而__next__()方法返回下一个元素。当没有元素可以迭代时，__next__()应该引发StopIteration异常。

   例如，可以使用内置的iter()函数将可迭代对象转换为迭代器。当使用next()函数从迭代器中获取下一个元素时，如果没有元素可供迭代，将引发StopIteration异常。

5. 生成器

   生成器是一种特殊类型的迭代器，使用函数来生成值，而不是一次性构建并存储在内存中，所以极大减少内存使用。

   生成器函数使用yield语句产生值，而不是return。每次调用生成器的__next__()方法时，生成器函数会从上次yield语句的位置恢复执行，并继续执行直到遇到下一个yield语句或函数结束。

   这样可以有效地处理大量数据，因为它们允许逐个生成值，而不需要一次性生成整个序列。

普通实现

假设为了实现获取斐波那契数列的前多少位数据，一般采用的方式肯定是通过函数计算，将函数的计算值一次一次的返回并存储在一个如列表的容器中，然后再将容器数据遍历循环处理，代码示例如下：

def func(p_max):def get_data(a, b):return a + ba, b, count = 0, 1, 0p_lst = []while count < p_max:value = get_data(a, b)a, b, count = b, value, count + 1p_lst.append(value)return p_lst
return_values = func(1000000000)
print(return_values)
for i in return_values：# do somethingpass

当p_max不大时，p_lst存储的数据不多，消耗的内存不大；一旦p_max比较大时，比如100,000,000时，p_lst存储内容就太多了，使用的内存也就会变得极大，甚至撑爆。
我们可以看一下当p_max设置为100,000,000时，30s内存就上限了。

这只是一个方法的使用，在开发系统时，如果存在这样的操作，系统说不定在什么时候就因为内存问题被撑爆了，这是很可怕的。

进一步优化

为了避免这样的内存爆炸问题，最好的方式就是不存储所有结果，计算出一个就消费一个，方法每次只返回一个值，然后将其他变量覆盖重用循环往复，这样不就不会存在内存问题了。

def get_data(a, b):return a + b
p_max = 1000000000
a, b, count = 0, 1, 0
while count < p_max:value = get_data(a,b)# do something use valueprint(value)

经过等待，发现内存并没有多少变化，说明确实有效果。

但从上面看出，这里的循环使用while进行判断操作，和我们通常使用的遍历方法用法不同，那么是否可以将上述方法采用遍历的形式计算产生并消费呢？迭代器

迭代器

首先我们自行创建一个类，实现__iter__()和__next__()方法：

class MyFb:def __init__(self, a, b, compute_time):# 斐波那契左数self.a = a# 斐波那契右数self.b = b# 计算多少次几次斐波那契值self.compute_time = compute_time# 初始化计次器self.current_time = 0def __iter__(self):return selfdef __next__(self):# 当计次器值 小于 总计算次数时，计算斐波那契数列值并将a、b向后推移if self.current_time < self.compute_time:value = self.a + self.bself.a = self.bself.b = valueself.current_time += 1#print("%s/%s - %s" % (self.current_time,self.compute_time,value))return valueelse:raise StopIteration# 斐波那契起始值0、1，共计次10次
myfb = MyFb(0, 1, 1000000000)
for i in myfb:# do somethingprint(i)# while myfb:
#     try:
#         next(myfb)
#     except StopIteration as e:
#         print('End!')
#         break
# 斐波那契起始值0、1，共计次10次

我们已经可以对通过MyFB类创建的myfb迭代器对象进行逐一遍历获取、访问、处理；

但是，为了能使对象被遍历，需要创建一个类并手动进行内置函数__iter__()和__next__()的定制，不仅徒增了代码量，也降低了代码的可读性。

有没有什么简单的方法就能实现迭代器的功能，还能保持代码易操作、易读的方式？ 生成器

生成器

生成器（Generator）实际上是迭代器的一种特殊类型。（生成器只是一种便捷实现迭代器的方式而已）

通过使用函数和 yield 语句创建迭代器（每次执行完后会将global(), local() 环境变量缓存起来，下次执行时从yield处开始并恢复global(), local() 环境变量），每次遍历时，执行到yield时就将 yield后的结果返回回来，生成器函数并不使用return。

生成器具有迭代器的所有特性，并且还有一些额外的优势。

为了明显的说明其原理，我们写一个比较简单理解但是并不美观的代码：

def fun(p_max):a = 0b = 1count = 0while count < p_max:value = a + byield valuea = bb = valuecount += 1g_values = fun(100000000)
print(g_values)
while True:try:p_value = next(g_values)print(p_value)except StopIteration:print('END!')break

因为for兼容了迭代器的异常处理，所以我们可以直接使用：

def fun(p_max):a = 0b = 1count = 0while count < p_max:value = a + byield valuea = bb = valuecount += 1g_values = fun(10000000000)
print(g_values)
for i in g_values:print(i)

继续简化代码可以写为：

def fun(p_max):a,b,count = 0,1,0while count < p_max:yield a+ba,b,count = b,a+b,count+1for i in fun(10000000000):print(i)

所以，迭代器是一种访问数据的方式，生成器是一种更加便捷实现的形式，而它们最主要的优点就是延迟数据生成，减少内存消耗，不要将其想的太复杂，只是一种措施、一种手段而已。

优缺点

生成器原本即为迭代器的特殊模式，所以可以看一下对于迭代器而言的优缺点都有哪些。

优点

1. 内存效率： 迭代器按需生成元素，一次只产生一个元素，因此在处理大规模数据集时，迭代器能够更好地节省内存。这对于在有限内存环境中处理大型数据集或流式数据非常有利。
2. 惰性计算： 迭代器支持惰性计算，只在需要时生成元素。这使得它们适用于处理无限序列或大规模数据，因为不需要一次性生成整个序列。
3. 适用于多次迭代： 一旦迭代器耗尽了所有元素，可以通过重新调用 __iter__() 方法将其重新初始化，使得可以再次从头开始迭代。这使得迭代器适用于需要多次迭代相同数据集的情况。
4. 支持 for 循环： 迭代器实现了迭代协议，因此可以直接用于 for 循环中。这样的代码更加简洁和易读。
5. 支持无限序列： 由于迭代器是按需生成元素的，它们可以用于表示无限序列。这在模拟无限数据流等场景中非常有用。
6. 支持并发操作： 由于迭代器是逐个产生元素的，它们可以在多线程或多进程环境中更容易地被共享和处理，而不需要担心整个数据集的同步问题。

缺点

1. 不支持随机访问： 迭代器一次只能产生一个元素，无法通过索引直接访问元素。如果需要通过索引或其他方式随机访问数据集的元素，迭代器可能不是最佳选择。
2. 代码繁琐： 相对于直接使用列表等数据结构，实现迭代器可能需要编写更多的代码，包括实现 __iter__() 和 __next__() 方法。这可能在某些情况下增加了代码的复杂性。
3. 不适用于所有场景： 尽管迭代器在许多情况下非常有用，但并不是所有问题都适合使用迭代器。在某些场景下，传统的数据结构和方法可能更加直观和简单。
4. 一次性消耗： 大多数迭代器是一次性的，即一旦迭代器耗尽了所有元素，就不能重新开始。这与一些需要多次迭代相同的场景不匹配。
5. 不易调试： 由于迭代器是按需生成元素的，当程序发生错误时，调试可能变得更加困难。在某些情况下，你可能无法直接查看整个数据集，而需要通过逐步迭代来定位问题。
6. 不支持修改： 大多数迭代器是只读的，不支持在迭代过程中修改数据集。如果需要修改数据集，可能需要使用其他数据结构。

🎉如果对你有所帮助，可以点赞、关注、收藏起来，不然下次就找不到了🎉

【点赞】⭐️⭐️⭐️⭐️⭐️
【关注】⭐️⭐️⭐️⭐️⭐️
【收藏】⭐️⭐️⭐️⭐️⭐️

Thanks for watching.
–Kenny