本文通过文章同步功能推送至博客园，显示排版可能会有所错误，请见谅!
一、初识生成器
生成器可以理解一种自动实现迭代器协议的数据类型，所以生成器本身就是一个迭代器。
区别于列表、元组、字符串等可迭代对象，生成器无需调用__iter__()方法直接就能使用next方法进行迭代。
生成器有两种定义方法：
1.定义一个函数。用yield替代return，调用函数时，当运行到yield时，返回一个值同时函数暂停，直到下一次调用函数，返回下一个yield或Stopitertion错误。
2.生成器表达式。区别于列表解析式，列表解析式使用[]定义，一经生成，直接读入内存。而生成器表达式只有在实际调用时才会读入内存，使用()定义，优势是内存占用小，效率高。
二、生成器优化
生成器相比于列表解析式，有几个优点：
1.占用内存小，几乎不占内存
2.只有在使用next时，才会返回值
3.next之前的值都会被python删除（即占用内存小的原因）
"""使用列表情况"""
import time
t0 = time.time()
def make_baozi(n):
"""制造n个包子并返回"""
return ["包子%s" % i for i in range(1,n+1)]
def chi_baozi(*args):
'''给我多少个包子我就吃多少个'''
for i,x in enumerate(args):
print('第%d个客人吃了%s' % (i+1,x))
chi_baozi(*make_baozi(5000000))
全程耗时45.34496521949768秒
此时Python占用内存高达547M且与生产包子数表现出明显正相关
'''生成器优化'''
def make_baozi(n):
for i in range(1,n+1):
yield '包子%d' %i
def chi_baozi(x):
print('客人吃了%s' % x)
mb = make_baozi(5000000)
while True:
try:
chi_baozi(mb.__next__())
except StopIteration:
break全程耗时47.534424781799316秒
此时Python全程占用内存6.2M 且内存占用与生产包子个数不相关
上述代码为测试使用列表解析式和生成器表达式的相关占用区别，可以看出来，生成器几乎不占内存，对于大数据处理内存优化提升十分明显。在这个模拟程序中，总耗时并无显著区别，主要取决于cpu处理速度。但是对于单个用户体验来说，整体有所提升（客人吃到包子1的时间明显提前了，而吃到最后一个包子时间则相差无几）。
三、更多
Python由于全局锁(GIT)的存在，其并发效率低一直受人诟病，而Python的多线程和多进程也存在不少问题并非很好的解决方案，Python开发社区逐渐将视野转到协程上来，通过多线程/多线程再辅以协程可以提高并发效率，而协程主要基于生成器来实现。关于生成器与协程，请听下回分解。