数据结构与算法 学习笔记（2）- 迭代器与生成器

P数据结构与算法 学习笔记（2）- 迭代器与生成器

本文转自：https://www.cnblogs.com/vipchenwei/p/6991204.html
最近学习时遇到了迭代器、生成器的理解，这篇文章介绍的十分清晰，于是就转来了。

本文讲述了以下几个方面:

1.何为迭代，何为可迭代对象，何为生成器，何为迭代器？

2.可迭代对象与迭代器之间的区别

3.生成器内部原理解析，for循环迭代内部原理解析

4.可迭代对象，迭代器，生成器，生成器函数之间关系

1.迭代

要搞清楚什么关于迭代器，生成器，可迭代对象，前提是我们要理解何为迭代。

第一，迭代需要重复进行某一操作

第二，本次迭代的要依赖上一次的结果继续往下做，如果中途有任何停顿，都不能算是迭代.

下面来看看几个例子，你就会更能理解迭代的含义。

# example1
# 非迭代
count = 0
while count < 10:
    print("hello world")
    count += 1
# example2
# 迭代
count = 0
while count < 10:
    print(count)
    count += 1

例子1，仅仅只是在重复一件事,那就是不停的打印"hello world"，并且,这个打印的结果并不依赖上一次输出的值。而例子2,就很好地说明迭代的含义，重复+继续。

2.可迭代对象

按照上面迭代的含义，我们应该能够知道何为可迭代对象。顾名思义，就是一个对象能够被迭代的使用。那么我们该如何判断一个对象是否可迭代呢？

Python提供了模块collections，其中有一个isinstance(obj,string)的函数，可以判断一个对象是否为可迭代对象。看下面实例:

from collections import Iterable

f = open('a.txt')
i = 1
s = '1234'
d = {'abc':1}
t = (1,2,344)
m = {1,2,34,}

print(isinstance(i, Iterable))  # 判断整型是否为可迭代对象
print(isinstance(s, Iterable))  # 判断字符串对象是否为可迭代对象  
print(isinstance(d, Iterable))  # 判断字典对象是否为可迭代对象
print(isinstance(t, Iterable))  # 判断元组对象是否为可迭代对象
print(isinstance(m, Iterable))  # 判断集合对象是否为可迭代对象
print(isinstance(f, Iterable))  # 判断文件对象是否为可迭代对象


########输出结果#########

False
True
True
True
True
True

由上面得出，除了整型之外，python内的基本数据类型都是可迭代对象，包括文件对象。那么，python内部是如何知道一个对象是否为可迭代对象呢？答案是，在每一种数据类型对象中，都会有有一个__iter__()方法，正是因为这个方法，才使得这些基本数据类型变为可迭代。

如果不信，我们可以来看看下面代码片段:

f = open('a.txt')
i = 1
s = '1234'
d = {'abc':1}
t = (1,2,344)
m = {1,2,34,}


# hasattr(obj,string) 判断对象中是否存在string方法
print(hasattr(i, '__iter__'))
print(hasattr(s, '__iter__'))
print(hasattr(d, '__iter__'))
print(hasattr(t, '__iter__'))
print(hasattr(m, '__iter__'))
print(hasattr(f, '__iter__'))




#########输出结果#######

C:\Python35\python3.exe D:/CODE_FILE/python/day21/迭代器.py
False
True
True
True
True
True

如果大家还是不信，可以继续来测试。我们自己来写一个类，看看有__iter__()方法和没有此方法的区别。

# 没有__iter__()方法
class Animal:
    def __init__(self):
        pass

cat = Animal()

print(isinstance(cat, Iterable))
######输出结果##########

False

# 有__iter__()方法
class Animal:
    def __init__(self):
        pass

    def __iter__(self):
        pass

cat = Animal()

print(isinstance(cat, Iterable))

######输出结果##########

True
　　从上面，实验结果可以看出一个对象是否可迭代，关键看這个对象是否有__iter__()方法。

3.迭代器

在介绍迭代器之前，我们先来了解一下容器这个概念。

容器是一种把多个元素组织在一起的数据结构，容器中的元素可以逐个地迭代获取。简单来说，就好比一个盒子,我们可以往里面存放数据，也可以从里面一个一个地取出数据。

在python中，属于容器类型地有:list,dict,set,str,tuple…。容器仅仅只是用来存放数据的，我们平常看到的 l = [1,2,3,4]等等，好像我们可以直接从列表这个容器中取出元素，但事实上容器并不提供这种能力，而是可迭代对象赋予了容器这种能力。

说完了容器，我们在来谈谈迭代器。迭代器与可迭代对象区别在于:next()方法。

我们可以采用以下方法来验证一下:

from collections import Iterator

f = open('a.txt')
i = 1
s = '1234'
d = {'abc':1}
t = (1, 2, 344)
m = {1, 2, 34, }

print(isinstance(i,Iterator))
print(isinstance(s,Iterator))
print(isinstance(d,Iterator))
print(isinstance(t,Iterator))
print(isinstance(m,Iterator))
print(isinstance(f,Iterator))

########输出结果##########

False
False
False
False
False
True

结果显示:除了文件对象为迭代器，其余均不是迭代器

下面，我们进一步来验证一下:

print(hasattr(i,"__next__"))
print(hasattr(s,"__next__"))
print(hasattr(d,"__next__"))
print(hasattr(t,"__next__"))
print(hasattr(m,"__next__"))
print(hasattr(f,"__next__"))

#######结果###########

False
False
False
False
False
True

从输出结果可以表明,迭代器与可迭代对象仅仅就是__next__（）方法的有无。

4.for内部机制剖析

先来看看一段普通的迭代过程:

l = [1,2,3,4,5]
for i in l:
    print(i)

根据之前的分析，我们知道 l = [1,2,3,4,5]是一个可迭代对象。而且可迭代对象是不可以直接从其中取到元素。那么为啥我们还能从列表L中取到元素呢？这一切都是因为for循环内部实现。在for循环内部，首先L会调用__iter__()方法，将列表L变为一个迭代器，然后这个迭代器再调用其__next__()方法，返回取到的第一个值,这个元素就被赋值给了i，接着就打印输出了。

下面，我们通过一系列的实验来证明上述所说的。

l = [1,2,3,4,5,6]
item = l.__iter__()  # 将l变为迭代器
print(item.__next__())  # 迭代器调用next方法，并且返回取出的元素
print(item.__next__())
print(item.__next__())
print(item.__next__())
print(item.__next__())
print(item.__next__())
print(item.__next__())  # 报错
#######输出结果############# 

1 2 3 4 5 6

######上面为什么报错呢??##########
#当调用了最后一个next方法,没有下一个元素可取
#就会报错StopIteration异常错误。你可能会想会
#为什么for循环没有报错？答案很简单，因为for循
#环内部帮我们捕捉到了这个异常，一旦捕捉到异常
#说明，迭代应该结束了！
###########################

上述实验，与我上面说明的一致。

下面，我们可以while循环来模拟for循环，输出列表中的元素。

l = [1,2,3,4,5]

item = l.__iter__()  # 生成一个迭代器

while True:
    try:
        i = item.__next__()
        print(i)
    except StopIteration:  # 捕获异常，如果有异常，说明应该停止迭代
        break

由上分析，我们可以总结出:当我们试图用for循环来迭代一个可迭代对象时候，for循环在内部进行了两步操作:第一，将可迭代对象S变为迭代器M；第二，迭代器M调用__next__()方法，并且返回其取出的元素给变量i。

你可能看见过这种写法,for i in iter(M):xxx ,其实这一步操作和我们上面没什么区别。iter()函数，就是将一个可迭代对象M变为迭代器也就是M调用__iter__()方法，然后内部在调用__next__()方法。也就是说,

M = [1,2,3,4,5]

for i in iter(M):  # 等价于 M.__iter()__   人为显示调用
    print(i)

for i in M:  # 解释器隐式调用
    print(i)

#################
#
#上面输出的结果完全一样
#
#################

还有,next(M)等价于M.next。

迭代器优点:

• 1.节约内存

• 2.不依赖索引取值

• 3.实现惰性计算(什么时候需要，在取值出来计算)

5.生成器(本质就是迭代器)

什么是生成器？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（其他的数据类型需要调用自己内置的__iter__方法）。

按照我们之前所说的，迭代器必须满足两个条件:既有__iter__()，又有__next__()方法。那么生成器是否也有这两个方法呢？答案是，YES。具体来通过以下代码来看看。

def func():
    print("one------------->")
    yield 1
    print("two------------->")
    yield 2
    print("three----------->")
    yield 3
    print("four------------>")
    yield 4

print(hasattr(func(),'__next__'))
print(hasattr(func(),'__iter__'))

#########输出结果###########

True
True

实验表明,生成器就是迭代器。

Python有两种不同的方式提供生成器:

1.生成器函数（函数内部有yield关键字）：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，以便下次重它离开的地方继续执行

2.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

既然生成器就是迭代器,那么我们是不是也可以通过for循环来遍历出生成器中的内容呢?看下面代码.

def func():
    print("one------------->")
    yield 1
    print("two------------->")
    yield 2
    print("three----------->")
    yield 3
    print("four------------>")
    yield 4

for i in func():
    print(i)

#########输出结果########

one------------->
1
two------------->
2
three----------->
3
four------------>
4

很显然，生成器也可以通过for循环来遍历出其中的内容。

下面我们来看看生成器函数执行流程：

def func():
    print("one------------->")
    yield 1
    print("two------------->")
    yield 2
    print("three----------->")
    yield 3
    print("four------------>")
    yield 4


g = func()  #  生成器 == 迭代器
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())

每次调用g.next()就回去函数内部找yield关键字，如果找得到就输出yield后面的值并且返回；如果没有找到，就会报出异常。上述代码中如果在调用g.next()就会报错。

Python使用生成器对延迟操作提供了支持。所谓延迟操作，是指在需要的时候才产生结果，而不是立即产生结果。这也是生成器的主要好处。

• 实例:生成器模拟Linux下tail -f a.txt | grep ‘error’ | grep ‘404’

import time


def tail(filepath):
    with open(filepath, encoding='utf-8') as f:
        f.seek(0, 2)  # 停到末尾开头 1从当前位置  2从文件末尾
        while True:
            line = f.readline()
            if line:  # 如果有内容读出
                #print(line,end='')
                yield line  # 遍历时停在此行,并且将其返回值传递出去
            else:
                time.sleep(0.5)  # 如果文件为空,休眠 等待输入


def grep(lines, patterns):  # lines为生成器类型
    for line in lines:  # 遍历生成器
        if patterns in line:
            yield line


g = grep(tail('a.txt'), 'error')  # 动态跟踪文件新添加的内容,并且过滤出有patterns的行
g1 = grep(g,'404')  # g1为生成器
for i in g1： # 通过for循环来隐式调用__next__()方法
    print(i)

生成器小结：

1.是可迭代对象

2.实现了延迟计算,省内存啊

3.生成器本质和其他的数据类型一样，都是实现了迭代器协议，只不过生成器附加了一个延迟计算省内存的好处，其余的可迭代对象可没有这点好处！

6.可迭代对象、迭代器、生成器关系总结

7、说明

本文相应的代码及资料已经以.ipynb文件和.pdf形式在github中给出。

github地址：https://github.com/LSayhi/Algorithms

点击【阅读原文】，github传送门