小白学 Python(21):生成器基础

小白学 Python(21):生成器基础

人生苦短,我选Python

前文传送门

小白学 Python(1):开篇

小白学 Python(2):基础数据类型(上)

小白学 Python(3):基础数据类型(下)

小白学 Python(4):变量基础操作

小白学 Python(5):基础运算符(上)

小白学 Python(6):基础运算符(下)

小白学 Python(7):基础流程控制(上)

小白学 Python(8):基础流程控制(下)

小白学 Python(9):基础数据结构(列表)(上)

小白学 Python(10):基础数据结构(列表)(下)

小白学 Python(11):基础数据结构(元组)

小白学 Python(12):基础数据结构(字典)(上)

小白学 Python(13):基础数据结构(字典)(下)

小白学 Python(14):基础数据结构(集合)(上)

小白学 Python(15):基础数据结构(集合)(下)

小白学 Python(16):基础数据类型(函数)(上)

小白学 Python(17):基础数据类型(函数)(下)

小白学 Python(18):基础文件操作

小白学 Python(18):基础文件操作

小白学 Python(19):基础异常处理

小白学 Python(20):迭代器基础

生成器

我们前面聊过了为什么要使用迭代器,各位同学应该还有印象吧(说没有的就太过分了)。

小白学 Python(21):生成器基础

列表太大的话会占用过大的内存,可以使用迭代器,只拿出需要使用的部分。

生成器的设计原则和迭代器是相似的,如果需要一个非常大的集合,不会将元素全部都放在这个集合中,而是将元素保存成生成器的状态,每次迭代的时候返回一个值。

比如我们要生成一个列表,可以采用如下方式:

list1 = [x*x for x in range(10)]
print(list1)

结果如下:

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

如果我们生成的列表非常的巨大,比如:

list2 = [x*x for x in range(1000000000000000000000000)]

结果如下:

Traceback (most recent call last):
File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 3, in <module>
list2 = [x*x for x in range(1000000000000000000000000)]
File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 3, in <listcomp>
list2 = [x*x for x in range(1000000000000000000000000)]
MemoryError

报错了,报错信息提示我们存储异常,并且整个程序运行了相当长一段时间。友情提醒,这么大的列表创建请慎重,如果电脑配置不够很有可能会将电脑卡死。

如果我们使用生成器就会非常方便了,而且执行速度嗖嗖的。

小白学 Python(21):生成器基础

generator1 = (x*x for x in range(1000000000000000000000000))
print(generator1)
print(type(generator1))

结果如下:

<generator object <genexpr> at 0x0000014383E85B48>
<class 'generator'>

那么,我们使用了生成器以后,怎么读取生成器生成的数据呢?

当然是和之前的迭代器一样的拉,使用 next() 函数:

generator2 = (x*x for x in range(3))
print(next(generator2))
print(next(generator2))
print(next(generator2))
print(next(generator2))

结果如下:

Traceback (most recent call last):
File "D:/Development/Projects/python-learning/base-generator/Demo.py", line 14, in <module>
print(next(generator2))
StopIteration

直到最后,抛出 StopIteration 异常。

但是,这种使用方法我们并不知道什么时候会迭代结束,所以我们可以使用 for 循环来获取每生成器生成的具体的元素,并且使用 for 循环同时也无需关心最后的 StopIteration 异常。

generator3 = (x*x for x in range(5))
for index in generator3:
print(index)

结果如下:

0
1
4
9
16

generator 非常的强大,本质上, generator 并不会取存储我们的具体元素,它存储是推算的算法,通过算法来推算出下一个值。

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。

比如我们定义一个函数,emmmmmm,还是简单点吧,大家领会精神:

小白学 Python(21):生成器基础

def print_a(max):
i = 0
while i < max:
i += 1
yield i a = print_a(10)
print(a)
print(type(a))

结果如下:

<generator object print_a at 0x00000278C6AA5CC8>
<class 'generator'>

这里使用到了关键字 yieldyieldreturn 非常的相似,都可以返回值,但是不同的是 yield 不会结束函数。

我们调用几次这个用函数创建的生成器:

print(next(a))
print(next(a))
print(next(a))
print(next(a))

结果如下:

1
2
3
4

可以看到,当我们使用 next() 对生成器进行一次操作的时候,会返回一次循环的值,在 yield 这里结束本次的运行。但是在下一次执行 next() 的时候,会接着上次的断点接着运行。直到下一个 yield ,并且不停的循环往复,直到运行至生成器的最后。

还有一种与 next() 等价的方式,直接看示例代码吧:

print(a.__next__())
print(a.__next__())

结果如下:

5
6

接下来要介绍的这个方法就更厉害了,不仅能迭代,还能给函数再传一个值回去:

def print_b(max):
i = 0
while i < max:
i += 1
args = yield i
print('传入参数为:' + args) b = print_b(20)
print(next(b))
print(b.send('Python'))

结果如下:

1
传入参数为:Python
2

上面讲了这么多,可能各位还没想到生成器能有什么具体的作用吧,这里我来提一个——协程。

在介绍什么是协程之前先介绍下什么是多线程,就是在同一个时间内可以执行多个程序,简单理解就是你平时可能很经常的一边玩手机一边听音乐(毫无违和感)。

小白学 Python(21):生成器基础

协程更贴切的解释是流水线,比如某件事情必须 A 先做一步, B 再做一步,并且这两件事情看起来要是同时进行的。

小白学 Python(21):生成器基础

def print_c():
while True:
print('执行 A ')
yield None
def print_d():
while True:
print('执行 B ')
yield None c = print_c()
d = print_d()
while True:
c.__next__()
d.__next__()

结果如下:

...
执行 A
执行 B
执行 A
执行 B
执行 A
执行 B
执行 A
执行 B
执行 A
执行 B
...

因为 while 条件设置的是永真,所以这个循环是不会停下来的。

这里我们定义了两个生成器,并且在一个循环中往复的调用这两个生成器,这样看起来就是两个任务在同时执行。

最后的协程可能理解起来稍有难度,有问题可以在公众号后台问我哦~~~

示例代码

本系列的所有代码小编都会放在代码管理仓库 Github 和 Gitee 上,方便大家取用。

示例代码-Github

示例代码-Gitee

上一篇:浅析node.js


下一篇:小白学 Python(7):基础流程控制(上)