一、生成器

通过列表生成式，我们可以直接创建一个列表。但是收到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面的几个元素，那后买呢绝大多数元素占用的空间都拜拜浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。
要创建一个generator，有很多方法。第一种方法很简单，只要把一个列表生成式的[]变成()，就创建了一个generator：

>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

创建L和g的区别在于最哇层的[]和()，L是一个list，而g是一个generator。我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到最后一个元素，没有更多的元素时， 抛出StopIteration的错误。
当然，上面这种不断调用next(g)实在是太麻烦了，正确的方法是使用循环， 因为generator也是可迭代对象：

>>> g = (x * x for x in range(10))
>>> for n in g:
. . .        print(n)
. . .
0
1
4
9
16
25
36
49
64
81

所以我们创建了一个generator后，基本上永远都不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。
generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可以由浅两个数相加得到：1, 1，2,3,5,8,13,21,34，...
斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max):
        n, a, b = 0, 0, 1
        while n < max:
              print(b)
              a, b = b, a+b
              n = n + 1
    return 'done'

通过观察可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑启示非常类似generator。也就是说上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改成yield b就可以了：

def fib(max):
      n, a, b = 0, 0, 1
      while n < max:
             yield b
             a, b = b, a + b
             n = n + 1
      return 'done'

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：

>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>

这里最难理解的就是generator和函数的执行流程不一样。函数式顺序执行，调用return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句除继续执行。
举个简单的例子，定义一个generator，依次返回数字1, 3, 5：

def odd():
      print('step 1')
      yield 1
      print('step 2')
      yield(3)
      print('step 3')
      yield(5)

调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值：

>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

可以看到，odd不是普通函数，而是generator，在执行过程中，遇到yield就中断，下次又继续执行。执行三次yield后，已经没有yield可以执行了，所以第四次调用next(o)就报错。
回到fib的例子，我们在循环过程中不断调用yield，就会不断中断，当然要给循环设置一个条件来推出循环，不然就会产生一个无限数列出来。同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

>>> for n in fib(6):
. . .       print(n)
. . .
1
1
2
3
5
8

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到，必须捕获StopItertion错误，返回值包含在StopIteration的value中：

>>> g = fib(6)
>>> while True:
. . .         try:
. . .                  x = next(g)
. . .         except StopIteration as e:
. . .                  print('Generator return value: ' ,e.value)
. . .                  break
. . .
g : 1
g : 1
g : 2
g : 3
g : 5
g : 8
Generator return value: done

小结
generator是非常强大的工具，在Python中，可以简单的把列表生成式改成generator，也可以通过函数实现复杂逻辑的generator。
要理解generator的工作原理，他是在for循环的过程中不断计算出下一个元素，并在适当的条件结束for循环。对于函数改成的generator来说，遇到return语句或者执行到函数体最后一行语句，就是结束generator的指令，for循环随之结束

二、迭代器

我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
这些可以直接作用域for循环的对象统称为：Iterable。同样可以使用isinstance()来判断一个对象是否是一个Iterable对象：

>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，知道抛出StopIteration错误表示无法继续返回下一个值了。
可以被next()函数调用并不断返回下一个值得对象称为迭代器：Iterator。可以使用isinstance()判断一个对象是否是Iterator对象：

>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：

>>> isinstance(iter([]), Iterator)
True
>>> isinstace(iter('abc'), Iterator)
True

可能会想，为什么他们不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以吧这个数据流看作是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是有惰性的， 只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而是用list时永远不可能存储全体自然数的。
小结
凡是可作用于for循环的对象都是Iterable类型；
凡是可作用于next()函数的对象都是Iterator类型，他们表示一个惰性计算的序列；
集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。