一、什么是迭代器
迭代器协议：对象必须提供一个next方法，执行该方法要么返回迭代中的下一项，要么就引起一个StopIteration异常，以终止迭代(只能往后走不能往前退)
可迭代对象：实现了迭代器协议的对象(如何实现：对象内部定义一个__iter__()方法)
协议是一种约定，可迭代对象实现了迭代器协议，python的内部工具(如：for循环，sum，min，max函数等)使用迭代器协议访问对象
可迭代对象
可以使用isinstance()函数来判断一个对象是否是可迭代对象(Iterable):
In [50]: from collections import Iterable
In [51]: isinstance([], Iterable)
Out[51]: True
In [52]: isinstance({}, Iterable)
Out[52]: True
In [53]: isinstance('abc', Iterable)
Out[53]: True
In [54]: isinstance(mylist, Iterable)
Out[54]: False
In [55]: isinstance(100, Iterable)
Out[55]: False
可迭代对象的本质
我们分析对可迭代对象进行迭代使用的过程，发现每迭代一次（即在for...in...中每循环一次）都会返回对象中的下一条数据，一直向后读取数据直到迭代了所有数据后结束。那么，在这个过程中就应该有一个“人”去记录每次访问到了第几条数据，以便每次迭代都可以返回下一条数据。我们把这个能帮助我们进行数据迭代的“人”称为迭代器(Iterator)。
可迭代对象的本质就是可以向我们提供一个这样的中间“人”即迭代器帮助我们对其进行迭代遍历使用。
可迭代对象通过__iter__方法向我们提供一个迭代器，我们在迭代一个可迭代对象的时候，实际上就是先获取该对象提供的一个迭代器，然后通过这个迭代器来依次获取对象中的每一个数据.
那么也就是说，一个具备了__iter__方法的对象，就是一个可迭代对象
from collections import Iterable
class MyList(object):
def __init__(self):
self.container = []
def add(self, item):
self.container.append(item)
def __iter__(self):
pass
my_list = MyList()
flag = isinstance(my_list, Iterable)
print(flag)
"""
运行结果：True
说明MyList创建的对象是一个可迭代对象这回测试发现添加了__iter__方法的mylist对象已经是一个可迭代对象了
"""
iter()函数与next()函数
list、tuple等都是可迭代对象，我们可以通过iter()函数获取这些可迭代对象的迭代器。然后我们可以对获取到的迭代器不断使用next()函数来获取下一条数据。iter()函数实际上就是调用了可迭代对象的__iter__方法。
>>> li = [11, 22, 33, 44, 55] >>> li_iter = iter(li) >>> next(li_iter) 11 >>> next(li_iter) 22 >>> next(li_iter) 33 >>> next(li_iter) 44 >>> next(li_iter) 55 >>> next(li_iter) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration >>> 注意，当我们已经迭代完最后一个数据之后，再次调用next()函数会抛出StopIteration的异常，来告诉我们所有数据都已迭代完成，不用再执行next()函数了。
如何判断一个对象是否是迭代器
可以使用 isinstance() 判断一个对象是否是 Iterator 对象：
In [56]: from collections import Iterator
In [57]: isinstance([], Iterator)
Out[57]: False
In [58]: isinstance(iter([]), Iterator)
Out[58]: True
In [59]: isinstance(iter("abc"), Iterator)
Out[59]: True
迭代器Iterator
通过上面的分析，我们已经知道，迭代器是用来帮助我们记录每次迭代访问到的位置，当我们对迭代器使用next()函数的时候，迭代器会向我们返回它所记录位置的下一个位置的数据。实际上，在使用next()函数的时候，调用的就是迭代器对象的__next__方法（Python3中是对象的__next__方法，Python2中是对象的next()方法）。所以，我们要想构造一个迭代器，就要实现它的__next__方法。但这还不够，python要求迭代器本身也是可迭代的，所以我们还要为迭代器实现__iter__方法，而__iter__方法要返回一个迭代器，迭代器自身正是一个迭代器，所以迭代器的__iter__方法返回自身即可。
一个实现了__iter__方法和__next__方法的对象，就是迭代器。
class MyList(object):
"""
自定义的一个可迭代对象
"""
def __init__(self):
self.items = []
def add(self, val):
self.items.append(val)
def __iter__(self):
myiterator = MyIterator(self)
return myiterator
class MyIterator(object):
"""
自定义的供上面可迭代对象使用的一个迭代器
"""
def __init__(self, mylist):
self.mylist = mylist
# current用来记录当前访问到的位置
self.current = 0
def __next__(self):
if self.current < len(self.mylist.items):
item = self.mylist.items[self.current]
self.current += 1
return item
else:
raise StopIteration
def __iter__(self):
return self
if __name__ == '__main__':
mylist = MyList()
mylist.add(1)
mylist.add(2)
mylist.add(3)
mylist.add(4)
mylist.add(5)
for num in mylist:
print(num)
for...in...循环的本质
for item in Iterable 循环的本质就是先通过iter()函数获取可迭代对象Iterable的迭代器，然后对获取到的迭代器不断调用next()方法来获取下一个值并将其赋值给item，当遇到StopIteration的异常后循环结束。
迭代器的应用场景
class FibIterator(object):
"""
斐波那契数列
"""
def __init__(self, n):
"""
:param n:int, 指明生成数列的前n个数
"""
self.n = n
# current用来保存当前生成到数列中的第几个数了
self.current = 0
# num1用来保存前前一个数，初始值为数列中的第一个数0
self.num1 = 0
# num2用来保存前一个数，初始值为数列中的第二个数1
self.num2 = 1
def __next__(self):
"""
被next()函数调用来获取下一个数
:return:
"""
if self.current < self.n:
num = self.num1
self.num1, self.num2 = self.num2, self.num1+self.num2
self.current += 1
return num
else:
raise StopIteration
def __iter__(self):
"""
"迭代器的__iter__返回自身即可
:return:
"""
return self
if __name__ == '__main__':
fib = FibIterator(10)
for num in fib:
print(num, end=" ")
斐波那契数列
三、生成器
可以理解为一种数据类型，这种数据类型自动实现了迭代器协议，所以生成器就是可迭代对象
生成器的创建方式：
- 生成器函数：常规函数定义，但是使用yield语句而不是return语句返回结果；yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次从它离开的地方继续执行
- 生成器表达式：类似于列表推导，但是生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表
生成器函数
def fun():
print("hhloo")
yield 1
print("44444")
yield 2
print('dddddd')
yield 3
g = fun() # 生成器对象
print(g) # 结果：<generator object fun at 0x00000000010373B8>
# 进行一次打印
print(g.__next__()) # 第一次next时调用函数到yield 1处函数返回，结果为hhloo，1
print(g.__next__()) # 第二次会从上一次离开的地方继续往下执行，结果：44444,2
print(g.__next__()) # 第三次执行 结果为：dddddd,3
print(g.__next__()) # 会抛StopIteration异常
生成器表达式
ccc = ('鸡蛋%s' % i for i in range(10))
print(ccc) # <generator object <genexpr> at 0x0000000000A273B8>
print(ccc.__next__())
注：
生成器表达式比生成器函数更加的节省内存
生成器注意项
- 生成器在产生的过程中不做任何操作
- 生成器只能遍历一次
def fun1():
for i in range(4):
yield i
t = fun1()
t1 = (i for i in t)
t2 = (i for i in t1)
print(list(t1)) # [0, 1, 2, 3]
print(list(t2)) # []
生成器的优点
- 生成器的好处就是延迟计算，一次返回一个结果，它不会一次生成所有的结果。对于大数据处理，将会非常有用
- 生成器还能有效的提供代码的可读性，使用生成器会使python代码更加的pythonic