python的迭代器与生成器实例详解
本文以实例详解了python的迭代器与生成器,具体如下所示:
1.迭代器概述:
迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束。迭代器只能往前不会后退,不过这也没什么,因为人们很少在迭代途中往后退。
1.1使用迭代器的优点
对于原生支持随机访问的数据结构(如tuple、list),迭代器和经典for循环的索引访问相比并无优势,反而丢失了索引值(可以使用内建函数enumerate()找回这个索引值)。但对于无法随机访问的数据结构(比如set)而言,迭代器是唯一的访问元素的方式。
另外,迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素,而在这之前或之后,元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合,比如几个G的文件,或是斐波那契数列等等。
迭代器更大的功劳是提供了一个统一的访问集合的接口,只要定义了__iter__()方法对象,就可以使用迭代器访问。
迭代器有两个基本的方法
next方法:返回迭代器的下一个元素
__iter__方法:返回迭代器对象本身
下面用生成斐波那契数列为例子,说明为何用迭代器
示例代码1
deffab(max): n,a,b=0,0,1 whilen<max: printb a,b=b,a+b n=n+1
直接在函数fab(max)中用print打印会导致函数的可复用性变差,因为fab返回None。其他函数无法获得fab函数返回的数列。
示例代码2
deffab(max): L=[] n,a,b=0,0,1 whilen<max: L.append(b) a,b=b,a+b n=n+1 returnL
代码2满足了可复用性的需求,但是占用了内存空间,最好不要。
示例代码3
对比:
foriinrange(1000):pass foriinxrange(1000):pass
前一个返回1000个元素的列表,而后一个在每次迭代中返回一个元素,因此可以使用迭代器来解决复用可占空间的问题
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()
执行
>>>forkeyinFabs(5): printkey
Fabs类通过next()不断返回数列的下一个数,内存占用始终为常数
1.2使用迭代器
使用内建的工厂函数iter(iterable)可以获取迭代器对象:
>>>lst=range(5) >>>it=iter(lst) >>>it <listiteratorobjectat0x01A63110>
使用next()方法可以访问下一个元素:
>>>it.next() >>>it.next() >>>it.next()
python处理迭代器越界是抛出StopIteration异常
>>>it.next() >>>it.next <method-wrapper'next'oflistiteratorobjectat0x01A63110> >>>it.next() >>>it.next() Traceback(mostrecentcalllast): File"<pyshell#27>",line1,in<module> it.next() StopIteration
了解了StopIteration,可以使用迭代器进行遍历了
lst=range(5) it=iter(lst) try: whileTrue: val=it.next() printval exceptStopIteration: pass
事实上,因为迭代器如此普遍,python专门为for关键字做了迭代器的语法糖。在for循环中,Python将自动调用工厂函数iter()获得迭代器,自动调用next()获取元素,还完成了检查StopIteration异常的工作。如下
>>>a=(1,2,3,4) >>>forkeyina: printkey
首先python对关键字in后的对象调用iter函数迭代器,然后调用迭代器的next方法获得元素,直到抛出StopIteration异常。
1.3定义迭代器
下面一个例子——斐波那契数列
#-*-coding:cp936-*- classFabs(object): def__init__(self,max): self.max=max self.n,self.a,self.b=0,0,1#特别指出:第0项是0,第1项是第一个1.整个数列从1开始 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() printFabs(5) forkeyinFabs(5): printkey
结果
<__main__.Fabsobjectat0x01A63090>
2.迭代器
带有yield的函数在Python中被称之为generator(生成器),几个例子说明下(还是用生成斐波那契数列说明)
可以看出代码3远没有代码1简洁,生成器(yield)既可以保持代码1的简洁性,又可以保持代码3的效果
示例代码4
deffab(max): n,a,b=0,0,1 whilen<max: yieldb a,b=b,a+b n=n=1
执行
>>>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。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。
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:
>>>f=fab(3) >>>f.next() 1 >>>f.next() 1 >>>f.next() 2 >>>f.next() Traceback(mostrecentcalllast): File"<pyshell#62>",line1,in<module> f.next() StopIteration
return作用
在一个生成器中,如果没有return,则默认执行到函数完毕;如果遇到return,如果在执行过程中return,则直接抛出StopIteration终止迭代。例如
>>>s=fab(5) >>>s.next() 1 >>>s.next() Traceback(mostrecentcalllast): File"<pyshell#66>",line1,in<module> s.next() StopIteration
示例代码5 文件读取
defread_file(fpath): BLOCK_SIZE=1024 withopen(fpath,'rb')asf: whileTrue: block=f.read(BLOCK_SIZE) ifblock: yieldblock else: return
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。