Python生成器是什么？yield关键字

Python生成器是一种特殊的迭代器，通过yield关键字实现逐个生成元素，以节省内存并支持延迟计算。

• 生成器的工作原理调用包含yield的函数时，它不会立即执行，而是返回一个生成器对象。当使用next()或for循环迭代时，函数开始执行，遇到yield时返回一个值并暂停，保存当前状态。下次调用时从暂停处继续执行，直到再次遇到yield或函数结束。

• 创建生成器的两种方式

  生成器函数：使用yield定义，例如：def my_generator(n): i = 0 while i < n: yield i i += 1gen = my_generator(5)print(next(gen)) # 输出 0

  生成器表达式：类似列表推导式，但用圆括号创建，例如：gen = (x*2 for x in range(5))print(next(gen)) # 输出 0

• 生成器的核心优势

  内存效率高：逐个生成元素，避免一次性存储整个序列，适合处理大型数据集或无限序列。

  延迟计算：仅在需要时生成值，减少不必要的计算开销。

  代码简洁性：生成器函数和表达式比手动实现迭代器更简洁，易于维护。

• 典型应用场景

  处理大型文件：逐行读取文件，避免内存溢出。def read_large_file(file_path): with open(file_path, 'r') as f: for line in f: yield line.strip()for line in read_large_file('large_file.txt'): print(line)

  生成无限序列：如斐波那契数列。def fibonacci(): a, b = 0, 1 while True: yield a a, b = b, a + bfib = fibonacci()for i in range(10): print(next(fib)) # 输出前10个斐波那契数

  构建数据管道：将数据分阶段处理，提高可读性。def data_source(): for i in range(10): yield idef square(data): for item in data: yield item * itemdata = data_source()squared_data = square(data)for item in squared_data: print(item) # 输出平方后的结果

• yield from的用法yield from用于委托其他生成器的执行，简化嵌套生成器的代码。

  def sub_generator(n): for i in range(n): yield idef main_generator(n): yield from sub_generator(n) yield "Done!"for item in main_generator(3): print(item) # 输出 0, 1, 2, Done!

• 生成器与迭代器的区别

  生成器是特殊的迭代器，通过yield自动实现__iter__()和__next__()方法。

  普通迭代器需手动实现这两个方法，而生成器无需显式实现，代码更简洁。

• 生成器表达式的优缺点

  优点：语法简洁，适合简单操作（如过滤、映射）。

  缺点：无法包含复杂逻辑，功能受限。复杂场景应使用生成器函数。

• 生成器对代码质量的影响

  可读性：通过分解逻辑为小生成器，避免大型临时结构，代码更清晰。

  可维护性：生成器鼓励函数式编程风格，减少副作用，便于测试和复用。

• 生成器在异步编程中的历史角色在async/await出现前，生成器通过模拟协程行为实现异步I/O，允许程序在等待时切换任务。虽现被更现代的语法取代，但其设计思想仍具参考价值。

总结：生成器通过yield实现高效内存使用和延迟计算，适用于大型数据、无限序列及数据管道等场景。其简洁的语法和函数式风格显著提升了代码的可读性与可维护性，是Python中处理迭代任务的强大工具。