yield,生成器

yield 关键字用于定义生成器函数，调用生成器函数会返回一个生成器对象，该对象是一个迭代器，可通过 next() 逐个获取值。

• 生成器与列表推导式的区别列表推导式（如 a = [i*i for i in range(3)]）会直接生成完整列表并存储在内存中，而生成器表达式（如 (i*i for i in range(3))）或含 yield 的函数会返回生成器对象，世渣按需动态生成值，节省内存。

• 生成器的工作原理当函数包含 yield 时，它成为生成器函数。调用时返回生成器对象，但函数体不会立即执行。每次调用 next() 时，函数执行到 yield 处暂停并返回值，下次调用从暂停处继续。

• 示例代码解析

  def generator(): for i in range(3): yield i*ig = generator()print(g) # 输出生成器对象地址print(g.next()) # 输出 0（第一次 yield 的值）

  首次 next() 触发函搜老悄数执行到 yield 0，返回 0 并暂停。

  后续 next() 会继续执行循环，直到函数结束或无更多 yield，此时抛出 StopIteration。

• 生成器作为迭代器的特性生成器对象实现了迭代器协议（__iter__() 和 __next__()），可直接用于循环或手动调用 next()。生成完毕后再次调用 next() 会抛出 StopIteration，需重新创建生成器对象。

• 控制生成器终止通过外部标志（如 flag）可动态控制生成器的执行。例如：

  class Generator: flag = False def creategenerator(self): while not self.flag: yield "value"g = Generator()gen = g.creategenerator()print(gen.next()) # 输出 "value"g.flag = Trueprint(gen.next()) # 抛出 StopIteration

• 自定义迭代器 vs 生成器自定义迭代器含迅需实现 __iter__() 和 next()（Python 3 中为 __next__()），而生成器通过 yield 自动处理迭代逻辑，代码更简洁。例如：

  class Squares: def __init__(self, start, stop): self.start = start self.stop = stop def __iter__(self): return self def __next__(self): if self.start >= self.stop: raise StopIteration current = self.start 2 self.start += 1 return current

  等价生成器版本：

  def squares(start, stop): while start < stop: yield start 2 start += 1

• 生成器的应用场景

  处理大规模数据流（避免内存溢出）。

  实现惰性计算（按需生成值）。

  简化协程或异步编程（如 yield from 语法）。

总结：yield 将函数转换为生成器，生成器是高效的迭代器实现方式，适合处理潜在无限序列或大数据集，同时支持通过外部控制动态调整生成逻辑。