初步解析Python中的yield函数的用法

2024-04-02 15:14:03 160

您可能听说过，带有yield的函数在Python中被称之为generator（生成器），何谓generator？

我们先抛开generator，以一个常见的编程题目来展示yield的概念。

如何生成斐波那契數列

斐波那契（Fibonacci）數列是一个非常简单的递归数列，除第一个和第二个数外，任意一个数都可由前两个数相加得到。用计算机程序输出斐波那契數列的前N个数是一个非常简单的问题，许多初学者都可以轻易写出如下函数：

清单1.简单输出斐波那契數列前N个数

deffab(max):
n,a,b=0,0,1
whilen<max:
printb
a,b=b,a+b
n=n+1

执行fab(5)，我们可以得到如下输出：

>>>fab(5)
1
1
2
3
5

结果没有问题，但有经验的开发者会指出，直接在fab函数中用print打印数字会导致该函数可复用性较差，因为fab函数返回None，其他函数无法获得该函数生成的数列。

要提高fab函数的可复用性，最好不要直接打印出数列，而是返回一个List。以下是fab函数改写后的第二个版本：

清单2.输出斐波那契數列前N个数第二版

deffab(max):
n,a,b=0,0,1
L=[]
whilen<max:
L.append(b)
a,b=b,a+b
n=n+1
returnL

可以使用如下方式打印出fab函数返回的List：

>>>forninfab(5):
...printn
...
1
1
2
3
5

改写后的fab函数通过返回List能满足复用性的要求，但是更有经验的开发者会指出，该函数在运行中占用的内存会随着参数max的增大而增大，如果要控制内存占用，最好不要用List

来保存中间结果，而是通过iterable对象来迭代。例如，在Python2.x中，代码：

清单3.通过iterable对象来迭代

foriinrange(1000):pass

会导致生成一个1000个元素的List，而代码：

foriinxrange(1000):pass

则不会生成一个1000个元素的List，而是在每次迭代中返回下一个数值，内存空间占用很小。因为xrange不返回List，而是返回一个iterable对象。

利用iterable我们可以把fab函数改写为一个支持iterable的class，以下是第三个版本的Fab：
清单4.第三个版本

classFab(object):

def__init__(self,max):
self.max=max
self.n,self.a,self.b=0,0,1

def__iter__(self):
returnself

defnext(self):
ifself.n<self.max:
r=self.b
self.a,self.b=self.b,self.a+self.b
self.n=self.n+1
returnr
raiseStopIteration()

Fab类通过next()不断返回数列的下一个数，内存占用始终为常数：

>>>forninFab(5):
...printn
...

然而，使用class改写的这个版本，代码远远没有第一版的fab函数来得简洁。如果我们想要保持第一版fab函数的简洁性，同时又要获得iterable的效果，yield就派上用场了：
清单5.使用yield的第四版

deffab(max):
n,a,b=0,0,1
whilen<max:
yieldb
#printb
a,b=b,a+b
n=n+1

'''

第四个版本的fab和第一版相比，仅仅把printb改为了yieldb，就在保持简洁性的同时获得了iterable的效果。

调用第四版的fab和第二版的fab完全一致：

>>>forninfab(5):
...printn
...

简单地讲，yield的作用就是把一个函数变成一个generator，带有yield的函数不再是一个普通函数，Python解释器会将其视为一个generator，调用fab(5)不会执行fab函数，而是返回一个iterable对象！在for循环执行时，每次循环都会执行fab函数内部的代码，执行到yieldb时，fab函数就返回一个迭代值，下次迭代时，代码从yieldb的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到yield。

也可以手动调用fab(5)的next()方法（因为fab(5)是一个generator对象，该对象具有next()方法），这样我们就可以更清楚地看到fab的执行流程：

清单6.执行流程

>>>f=fab(5)
>>>f.next()
1
>>>f.next()
1
>>>f.next()
2
>>>f.next()
3
>>>f.next()
5
>>>f.next()
Traceback(mostrecentcalllast):
File"<stdin>",line1,in<module>
StopIteration

当函数执行结束时，generator自动抛出StopIteration异常，表示迭代完成。在for循环里，无需处理StopIteration异常，循环会正常结束。

我们可以得出以下结论：

一个带有yield的函数就是一个generator，它和普通函数不同，生成一个generator看起来像函数调用，但不会执行任何函数代码，直到对其调用next()（在for循环中会自动调用next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个yield语句就会中断，并返回一个迭代值，下次执行时从yield的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被yield中断了数次，每次中断都会通过yield返回当前的迭代值。

yield的好处是显而易见的，把一个函数改写为一个generator就获得了迭代能力，比起用类的实例保存状态来计算下一个next()的值，不仅代码简洁，而且执行流程异常清晰。

如何判断一个函数是否是一个特殊的generator函数？可以利用isgeneratorfunction判断：

清单7.使用isgeneratorfunction判断

>>>frominspectimportisgeneratorfunction
>>>isgeneratorfunction(fab)
True

要注意区分fab和fab(5)，fab是一个generatorfunction，而fab(5)是调用fab返回的一个generator，好比类的定义和类的实例的区别：

清单8.类的定义和类的实例

>>>importtypes
>>>isinstance(fab,types.GeneratorType)
False
>>>isinstance(fab(5),types.GeneratorType)
True

fab是无法迭代的，而fab(5)是可迭代的：

>>>fromcollectionsimportIterable
>>>isinstance(fab,Iterable)
False
>>>isinstance(fab(5),Iterable)
True

每次调用fab函数都会生成一个新的generator实例，各实例互不影响：

>>>f1=fab(3)
>>>f2=fab(5)
>>>print'f1:',f1.next()
f1:1
>>>print'f2:',f2.next()
f2:1
>>>print'f1:',f1.next()
f1:1
>>>print'f2:',f2.next()
f2:1
>>>print'f1:',f1.next()
f1:2
>>>print'f2:',f2.next()
f2:2
>>>print'f2:',f2.next()
f2:3
>>>print'f2:',f2.next()
f2:5

return的作用

在一个generatorfunction中，如果没有return，则默认执行至函数完毕，如果在执行过程中return，则直接抛出StopIteration终止迭代。

另一个例子

另一个yield的例子来源于文件读取。如果直接对文件对象调用read()方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取：

清单9.另一个yield的例子

defread_file(fpath):
BLOCK_SIZE=1024
withopen(fpath,'rb')asf:
whileTrue:
block=f.read(BLOCK_SIZE)
ifblock:
yieldblock
else:
return

以上仅仅简单介绍了yield的基本概念和用法，yield在Python3中还有更强大的用法，我们会在后续文章中讨论。

注：本文的代码均在Python2.7中调试通过

初步解析Python中的yield函数的用法

热门推荐

随机推荐