python小说自动生成器_python- generator生成器

什么是生成器？

通过列表生成式，我们可以直接创建一个列表，但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间，在Python中，这种一边循环一边计算的机制，称为生成器：generator

生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。

生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像是迭代器

python中的生成器

要创建一个generator，有很多种方法，第一种方法很简单，只有把一个列表生成式的[]中括号改为()小括号，就创建一个generator

举例说明：

# 列表生成式

lis = [x * x for x in range(10)]

print(lis)

# 生成器

generator_ex = (x * x for x in range(10))

print(generator_ex)

结果:

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

at 0x0000024C407E4570>

那么创建list和generator_ex，的区别是什么呢？从表面看就是[ ]和(),但是结果却不一样，一个打印出来是列表(因为是列表生成式)，而第二个打印出来却是，那么如何打印出来generator_ex的每一个元素呢？

如果要一个个打印出来，可以通过next()函数获得generator的下一个返回值：

生成器

generator_ex = (x * x for x in range(10))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

print(next(generator_ex))

结果：

0

1

4

9

16

25

36

49

64

81

print(next(generator_ex))

StopIteration

[Finished in 0.1s]

大家可以看到，generator保存的是算法，每次调用next(generaotr_ex)就计算出他的下一个元素的值，直到计算出最后一个元素，没有更多的元素时，抛出StopIteration的错误，而且上面这样不断调用是一个不好的习惯，正确的方法是使用for循环，因为generator也是可迭代对象：

# 生成器

generator_ex = (x * x for x in range(10))

for i in generator_ex:

print(i)

以我们创建一个generator后，基本上永远不会调用next()，而是通过for循环来迭代，并且不需要关心StopIteration的错误，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。

比如著名的斐波那契数列，除第一个和第二个数外，任何一个数都可以由前两个相加得到：

1，1，2，3，5，8，12，21，34.....

斐波那契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

# fibonacci数列

def fib(max):

n, a, b = 0, 0, 1

while n < max:

a, b = b, a + b

n = n + 1

print(a)

return 'done'

a = fib(10)

print(a)

a,b = b ,a+b 其实相当于 t =a+b ,a =b ,b =t ，所以不必写显示写出临时变量t，就可以输出斐波那契数列的前N个数字。上面输出的结果如下：

1

1

2

3

5

8

13

21

34

55

done

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

def fib(max):

n, a, b = 0, 0, 1

while n < max:

yield b

a, b = b, a + b

n = n + 1

return 'done'

a = fib(10)

print(a)

但是返回的不再是一个值，而是一个生成器，和上面的例子一样，大家可以看一下结果：

那么这样就不占内存了，这里说一下generator和函数的执行流程，函数是顺序执行的，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次被next()调用时候从上次的返回yield语句处急需执行，也就是用多少，取多少，不占内存。

把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

def fib(max):

n, a, b = 0, 0, 1

while n < max:

yield b

a, b = b, a + b

n = n + 1

return 'done'

a = fib(10)

# print(a)

for i in a:

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。如果拿不到返回值，那么就会报错，所以为了不让报错，就要进行异常处理，拿到返回值，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：

def fib(max):

n, a, b = 0, 0, 1

while n < max:

yield b

a, b = b, a + b

n = n + 1

return 'done'

g = fib(6)

while True:

try:

x = next(g)

print('generator: ', x)

except StopIteration as e:

print("生成器返回值：", e.value)

break

结果：

generator: 1

generator: 1

generator: 2

generator: 3

generator: 5

generator: 8

生成器返回值： done

还可以通过yield实现在单线程的情况下实现并发运算的效果

import time

def consumer(name):

print("%s 准备学习啦!" %name)

while True:

lesson = yield

print("开始[%s]了,[%s]老师来讲课了!" %(lesson,name))

def producer(name):

c = consumer('A')

c2 = consumer('B')

c.__next__()

c2.__next__()

print("同学们开始上课 了!")

for i in range(10):

time.sleep(1)

print("到了两个同学!")

c.send(i)

c2.send(i)

由上面的例子我么可以发现，python提供了两种基本的方式

生成器函数：也是用def定义的，利用关键字yield一次性返回一个结果，阻塞，重新开始

生成器表达式：返回一个对象，这个对象只有在需要的时候才产生结果

——生成器函数

为什么叫生成器函数？因为它随着时间的推移生成了一个数值队列。一般的函数在执行完毕之后会返回一个值然后退出，但是生成器函数会自动挂起，然后重新拾起急需执行，他会利用yield关键字关起函数，给调用者返回一个值，同时保留了当前的足够多的状态，可以使函数继续执行，生成器和迭代协议是密切相关的，迭代器都有一个__next__()__成员方法，这个方法要么返回迭代的下一项，要么引起异常结束迭代。

def create_counter(n):

print("create_counter")

while True:

yield n

print("increment n")

n += 1

gen = create_counter(2)

print(gen)

print(next(gen))

print(next(gen))

——生成器表达式

生成器表达式来源于迭代和列表解析的组合，生成器和列表解析类似，但是它使用尖括号而不是方括号

# 列表解析生成列表

x=[ x ** 3 for x in range(5)]

print(x)

結果：

[0, 1, 8, 27, 64]

# 生成器表达式

x=(x ** 3 for x in range(5))

print(x)

結果：

at 0x000000000315F678>

# 两者之间转换

x=list(x ** 3 for x in range(5))

print(x)

結果：

[0, 1, 8, 27, 64]

一个迭代既可以被写成生成器函数，也可以被协程生成器表达式，均支持自动和手动迭代。而且这些生成器只支持一个active迭代，也就是说生成器的迭代器就是生成器本身。

迭代器(迭代就是循环)

迭代器包含有next方法的实现，在正确的范围内返回期待的数据以及超出范围后能够抛出StopIteration的错误停止迭代。

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型，如list,tuple,dict,set,str等

一类是generator，包括生成器和带yield的generator function

这些可以直接作用于for 循环的对象统称为可迭代对象：Iterable

可以使用isinstance()判断一个对象是否为可Iterable对象

from collections import Iterable

isinstance([], Iterable)

opIteration错误表示无法继续返回下一个值了。

所以这里讲一下迭代器

一个实现了iter方法的对象时可迭代的，一个实现next方法的对象是迭代器

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可以使用isinstance()判断一个对象是否是Iterator对象：

生成器都是Iterator对象，但list、dict、str虽然是Iterable(可迭代对象)，却不是Iterator(迭代器)。

把list、dict、str等Iterable变成Iterator可以使用iter()函数：

isinstance(iter([]), Iterator)

True

isinstance(iter('abc'), Iterator)

True

你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。