Python迭代器和生成器（改编自知乎相关文章）
1.迭代器
有一些Python对象，我们可以从中按一定次序提取出其中的元素。这些对象称之为可迭代对象。比如，字符串、列表、元组都是可迭代对象。
我们回忆一下从可迭代对象中提取元素的过程。这次，我们显式的使用列表的下标：
my_str = 'abc'for i,_ in enumerate(my_str): print my_str[i]
同样的，以下是通过下标对可迭代对象的元素进行改写（用下标数字访问可迭代对象的方法）：
my_list = [1,2,3]for i,_ in enumerate(my_list): my_list[i] = my_list[i] + 1print my_list
我们知道，在以上两个例子中，读取和写入元素，是通过可迭代对象的操作符[]实现的。而下标只是作为参数出现。我们不妨把这种模式，称作"可迭代对象是一等公民"。
与之相对的，有没有可能将下标作为一等公民？换句话说，元素的提取只和下标打交道，而和可迭代对象无关。答案是有的。这样的一种设计模式，就是迭代器模式。那个升级版的下标，称之为迭代器。
下面的代码，说明了如何显式的使用迭代器。利用Python内建函数iter，可以得到一个可迭代对象的迭代器。
my_list = [1,2,3]i = iter(my_list)while True: try: print next(i) except StopIteration: break
一旦迭代器建立起来，提取元素的过程就不再依赖于原始的可迭代对象，而是仅仅依赖于迭代器本身。Python内建的next函数作用于迭代器上，会执行三个操作：
- 返回当前『位置』的元素，第一次next调用，当前位置是可迭代对象的起始位置
- 将『位置』向后递增
- 如果到达可迭代对象的末尾，即没有元素可以提取，则抛出StopIteration异常
实际上，你并不需要这么麻烦的方法来使用迭代器，Python中的循环语句会自动进行迭代器的建立、next的调用和StopIteration的处理。换句话说，遍历一个可迭代对象的元素，这样写就对了：
my_list = [1,2,3]for v in my_list: print v
换句话说，Python的for...in语句，隐藏了大量的细节。
所以，Python 2.X 的 range和xrange有何区别？答案是，range的返回值就是一个list，在你调用range的时候，Python会产生所有的元素。而xrange是一个特别设计的可迭代对象，它在建立的时候仅仅保存终止值。你可比较以下两种写法的实际运行结果：
for v in range(1000000000000): #possible Memory Error if v == 2: break for v in xrange(1000000000000): #fine if v == 2: break
在Python 3.X 中，不再有内建的xrange，其range等效于Python 2.X 的xrange。
2.自定义迭代器
那么Python的iter函数和next函数都做了什么呢？答案是，基本上什么都没做！它们的内部实现是（逻辑上）这样的：
def iter(obj): return obj.__iter__()#Python 2.Xdef next(obj): return obj.next()#Python 3.Xdef next(obj): return obj.__next__()
所以利用这一点，我们很容易写一个自己的可迭代对象和迭代器。下面就是一个例子，这个迭代器有随机的长度。测试它的方法就用for...in...
import randomclass demo_iterator(object): def __next__(self): return self.next() def next(self): v = random.randint(0,10) if v < 5: raise StopIteration() else: return v class demo_iterable(object): def __iter__(self): return demo_iterator() for v in demo_iterable(): print(v)
这个故事告诉我们，若想让你自己的对象支持for...in...，你可以实现它的迭代器接口。
使用迭代器有何好处？用默认的列表不也很好吗？实际上，使用迭代器最大的优点是，能够及时处理『未知』的事件（例如，用户的输入，网络上的信号），并在迭代推进的过程中随时可以终止迭代。 就拿range为例，我们如果想尽可能多的利用系统内存产生尽可能多的数据。那么使用迭代器的方法，可以在每一次迭代的时候都检查一下剩余可用的内存，从而决定要不要进行下一次迭代。而使用list的方法，过程中使用了多少内存，是很难预见的。
4.生成器
生成器是创建迭代器的一种简便的方法。生成器是一个特殊的函数。我们可以从静态和动态两个角度理解生成器函数。
首先，从静态的角度，生成器函数在代码中表现为：
- 含有yield语句（无论yield是否可能会被执行）
- 无return或者仅有无值return（一旦函数里存在yield语句，有值return会视为语法错误）
其次，从动态的角度，生成器函数在运行过程中：
- 当生成器函数被调用的时候，生成器函数不执行内部的任何代码，直接立即返回一个迭代器。
- 当所返回的迭代器第一次调用next的时候，生成器函数从头开始执行，如果遇到了执行yield x，next会立即返回yeild值x（进入挂起状态）
- 当所返回的迭代器继续调用next的时候，生成器函数从上次yield语句的下一句开始执行，直到遇到下一次执行yield（从挂起状态中恢复）
- 任何时候遇到函数结尾，或者return语句，抛出StopIteration异常
特别的，对于该生成器所返回的迭代器，其__iter__返回其自身。
def g(): print 'L1' yield 1 print 'L2' yield 2 print 'L3' yield 3 print 'L4' it = iter(g())v = next(it);print vv = next(it);print vv = next(it);print vv = next(it);print v
g()已经返回了一个迭代器，iter这个迭代器将得到迭代器自身。所以it依然是生成器函数g返回的迭代器。
it = g()print id(it)print id(iter(it)) #same value as previous line
在执行g()的时候，并没有输出L1。而是第一次调用next的时候，L1输出，next返回1。以此类推，之后L4被打印出来，最后一个next抛出SropIteration异常。
利用生成器，我们可以重写之前的随机序列，看起来简单多了。
import random def demo_generator(n): while True: v = random.randint(0,n) if v > 5: yield v else: break for i in demo_generator(10): print i
5.应用、itertools、以及其他
迭代器由于其不定长的特性，特别适合表达数学中的"无穷序列"。
比如说，我们要寻找前10组（边长全为整数的）直角三角形的三边长度。算法是暴力枚举每一边的长度。然而，我们并不知道边长的搜索边界，用列表做循环显然不合适。
所以，我们首先产生一个正整数无穷序列：
def pint(): i = 1 while True: yield i i += 1
然后进行穷举。因为直角三角形的直角边总小于斜边，所以直角边的范围不用取无穷序列。另外，为了避免对称重复，最内层循环的直角边只取比另一个直角边小的值。
def tri(): for h in pint(): #hypotenuse for c1 in range(1,h): #cathetus1 for c2 in range(1,c1): #cathetus2 if c1 * c1 + c2 * c2 == h * h: yield (c1,c2,h)
tri也是个生成器，得到的迭代器也是个无穷序列。取前10个，用for循环就好：
for i,v in enumerate(tri()): if i == 10: break print v
实际上想取多少就取多少。这种无穷序列在解决数学问题的时候特别方便。
Python内建库itertools有很多很方便的函数，大部分函数都支持无穷序列的运算。若自己写一些迭代器（无论用类的方法，还是用生成器），就可以很方便的利用这些itertools函数了。具体的计算功能可见相关文档。
Python中除了可迭代对象，还有"容器"对象的概念。尽管很多内建对象即是容器又是可迭代对象，但这两个概念是相互独立的。容器对象无非是实现了__contains__成员，使得能够接受in操作符的运算。一个对象是不是容器，和它是不是可迭代，没有任何关系。
class cont(object): def __contains__(self,x): return True if 2 in cont(): print 'Here' for x in cont(): #TypeError: 'cont' object is not iterable print x