Python生成器(Generator)教程
什么是生成器
生成器(Generator)是Python中特殊的懒加载迭代器——它不会一次性把所有值生成并塞到内存里，而是等你要下一个值的时候，才“临时干活”算出来。这种特性在处理超大数据集、无限长度序列时，能直接把内存占用从“爆炸”压到“友好”级别。
生成器的核心优势可以浓缩成三点：
- ✅ 极致省内存：只会保存当前计算上下文，而不是所有历史/未来值
- ✅ 状态保持强：执行到
yield会自动暂停，下次调用next()或for循环会从断点继续
- ✅ 代码超简洁：比手写迭代器类（要实现
__iter__、__next__）省好多代码
创建生成器的两种方法
1. 生成器表达式：轻量级一键生成
生成器表达式的语法和列表推导式几乎一模一样，唯一的区别是把方括号[]换成了圆括号()：
# 列表推导式 - 立即生成10个平方数，全部占内存
list_comp = [x**2 for x in range(10)]
print(type(list_comp)) # <class 'list'>
print(list_comp) # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
# 生成器表达式 - 只存生成逻辑，啥都没算
gen_exp = (x**2 for x in range(10))
print(type(gen_exp)) # <class 'generator'>
💡 小提示：生成器表达式适合不需要复用、逻辑简单的转换/过滤场景。如果逻辑超过一行，或者要多次暂停，就选生成器函数。
2. 生成器函数：带yield的函数是核心
普通函数用return返回结果后就彻底结束，局部变量会被销毁；但只要函数里有yield关键字，它就自动变成生成器函数：
def count_up_to(max_num):
count = 1
# 每次循环执行到yield就暂停，返回count，然后等下一次调用
while count <= max_num:
yield count
count += 1
生成器的基础使用
用for循环自动迭代（最常用）
Python的for循环会自动调用next()，处理完所有值后会吞掉StopIteration异常，用起来最省心：
for num in count_up_to(5):
print(num) # 依次输出1 2 3 4 5
手动用next()控制（适合调试/定制化）
如果需要自己控制生成节奏，可以用内置函数next()：
gen = count_up_to(3)
print(next(gen)) # 输出: 1
print(next(gen)) # 输出: 2
print(next(gen)) # 输出: 3
# 下一个值不存在，会抛出StopIteration
# print(next(gen))
生成器的进阶特性
1. 清晰的状态保持过程
看一个带打印语句的生成器，能直观看到它的执行/暂停流程：
def stateful_gen():
print("🔵 生成器第一次启动")
yield 1 # 第一次暂停点
print("🟡 从第一个yield恢复")
yield 2 # 第二次暂停点
print("🔴 从第二个yield恢复，没有更多值了")
gen = stateful_gen()
# 注意：第一次调用next()才会真正进入函数执行！
print(next(gen)) # 输出🔵和1
print(next(gen)) # 输出🟡和2
# next(gen) # 会输出🔴然后抛StopIteration
⚠️ 划重点：生成器必须先调用next()（或者用for循环隐式调用）才能启动！
2. Python 3.3+ 新增：带返回值的生成器
普通生成器最后抛StopIteration，没有返回值；但Python 3.3之后可以用return加“最终结果”，这个结果会绑定在异常的value属性上：
def gen_with_final():
yield "第一步结果"
yield "第二步结果"
return "🎉 所有步骤完成！"
gen = gen_with_final()
try:
while True:
print(next(gen))
except StopIteration as e:
print(e.value) # 输出🎉
3. Python 3.3+ 新增：yield from委托生成器
如果想在一个生成器里“复用”另一个迭代器（不管是列表、元组、还是其他生成器），不用写for item in it: yield item，直接用yield from it就行：
def chain_generators(*iterables):
for it in iterables:
yield from it # 直接把每个可迭代对象的元素“转交”出去
gen = chain_generators([1, 2], (3, 4), "ab")
print(list(gen)) # [1, 2, 3, 4, 'a', 'b']
三个高频实际应用
1. 无限斐波那契数列
列表根本存不下无限序列，但生成器可以！
def fibonacci():
a, b = 0, 1
while True:
yield a
a, b = b, a + b
# 只取前10个看看
fib = fibonacci()
for _ in range(10):
print(next(fib))
2. 逐行读取超大文件
如果是GB甚至TB级的日志文件，用file.readlines()会直接把内存撑爆，生成器逐行读取是最佳方案：
def read_large_file(file_path):
# 上下文管理器会自动关闭文件，安全可靠
with open(file_path, 'r', encoding='utf-8') as file:
for line in file:
yield line.strip() # strip()去掉换行和空白符
# 逐行处理，内存只占用一行的大小
# for line in read_large_file('huge_server_log.txt'):
# if 'ERROR' in line:
# print(line)
3. 数据处理管道（链式调用）
生成器可以和filter()、map()这些函数式工具结合，形成“只在最后输出时才执行所有步骤”的管道：
def get_even_squares(max_num):
# 第一步：生成奇数？不对，后面要filter，其实生成所有数也行
all_nums = (x for x in range(max_num))
# 第二步：过滤偶数
even_nums = filter(lambda x: x % 2 == 0, all_nums)
# 第三步：平方
even_squares = map(lambda x: x**2, even_nums)
return even_squares
print(list(get_even_squares(20))) # [0, 4, 16, 36, 64, 100, 144, 196, 256, 324]
快速补充：生成器的一次性特性
生成器只能迭代一次！如果迭代完了想再用，要么重新创建生成器，要么提前转成列表（但这样就失去了省内存的优势）：
gen = (x**2 for x in range(3))
print(list(gen)) # [0, 1, 4]
print(list(gen)) # 空列表！因为已经迭代完了
小练习：杨辉三角生成器
试试用生成器实现无限输出杨辉三角的前n行（答案在原博客但可以自己写一下哦）：
def triangles():
row = [1]
while True:
yield row
# 下一行 = 开头1 + 中间相邻两个数的和 + 结尾1
row = [1] + [row[i] + row[i+1] for i in range(len(row)-1)] + [1]
# 测试前10行
results = []
for n, t in enumerate(triangles()):
results.append(t)
if n == 9:
break
for row in results:
print(row)
总结
生成器是Python中非常Pythonic的工具，优先考虑使用的场景有：
- 处理超大数据集/大文件
- 实现无限长度的序列
- 构建懒加载的数据处理管道
- 简单的协程编程（虽然现在Python 3.5+有
async/await专门做异步，但生成器协程的基础还是要了解的）
虽然生成器的速度比列表推导式慢一点点，但在内存面前，这点速度损失通常是值得的！
