Python生成器与迭代器_惰性计算说明【教程】

迭代器是实现__iter__()和__next__()方法的对象，生成器是含yield的函数或生成器表达式创建的特殊迭代器；二者均惰性计算，节省内存。

Python 中的生成器和迭代器都实现惰性计算，即不一次性生*部数据，而是在需要时逐个产出，节省内存、提升效率。

什么是迭代器（Iterator）

迭代器是实现了 __iter__() 和 __next__() 方法的对象。调用 iter() 得到迭代器，每次调用 next() 返回一个元素，直到抛出 StopIteration 异常。

• 列表、字典、字符串等内置类型可被 iter() 转为迭代器
• 迭代器只能单向遍历，不可重置（除非重新创建）
• 本质是“状态机”，记住当前迭代位置

什么是生成器（Generator）

生成器是一种特殊的迭代器，由函数定义（含 yield）或生成器表达式（类似列表推导式但用圆括号）创建。函数执行到 yield 暂停，返回值并保存上下文；下次调用 next() 从中断处继续。

• yield 让函数变成生成器函数，调用它返回生成器对象，不执行函数体
• 生成器自动实现迭代器协议，无需手动写 __iter__ 和 __next__
• 适合处理大数据流、无限序列或需按需计算的场景

惰性计算的实际表现

对比 [x*2 for x in range(1000000)]（列表推导）和 (x*2 for x in range(1000000))（生成器表达式）：

• 前者立刻分配约 8MB 内存（存 100 万个整数），后者只占几十字节
• 生成器在 for 循环或 next() 调用时才真正计算下一个值
• 若循环中途 break，后续值永远不会被计算

使用建议与注意事项

生成器和迭代器不是万能的，需注意适用边界：

• 需要多次遍历？迭代器只能用一次，得重新创建或转成列表（但失去惰性优势）
• 需随机访问（如 obj[5]）？生成器不支持索引，应改用其他结构
• 调试时想看全部内容？可用 list(gen) 强制展开，但仅限小数据量
• 函数中混用 return 和 yield 是合法的（return 表示生成结束），但 return 后的值不会被 yield 出来