https://www.cnblogs.com/haishiniu123/p/6774081.html
迭代器协议:
1.迭代器协议是指：对象必须提供一个next方法，执行该方法要么返回迭代中的下一项，要么就引起一个StopIteration异常，以终止迭代 （只能往后走不能往前退）
2.可迭代对象：实现了迭代器协议的对象（如何实现：对象内部定义一个__iter__()方法）
3.协议是一种约定，可迭代对象实现了迭代器协议，python的内部工具（如for循环，sum，min，max函数等)使用迭代器协议访问对象
Python中强大的for 循环机制
for循环的本质：循环所有对象，全都是使用迭代器协议。
很多人会想，for循环的本质就是遵循迭代器协议去访问对象，那么for循环的对象肯定都是迭代器了啊，没错，那既然这样，for循环可以遍历（字符串，列表，元组，字典，集合，文件对象），那这些类型的数据肯定都是可迭代对象啊？但是，我他妈的为什么定义一个列表l=[1,2,3,4]没有l.next()方法，打脸么。
(字符串，列表，元组，字典，集合，文件对象）这些都不是可迭代对象，只不过在for循环式，调用了他们内部的__iter__方法，把他们变成了可迭代对象
然后for循环调用可迭代对象的__next__方法去取值，而且for循环会捕捉StopIteration异常，以终止迭代
name=[1,2,3,4,5] for i in name: print(i) 实现for循环的原理（while循环模拟for循环） ： name=name.__iter__() while True: try: print(name.__next__()) except StopIteration: break #集合中使用迭代器 s={1,2,3} for i in s: print(i) 运行结果： 1 2 3 iter_s=s.__iter__() print(iter_s) print(iter_s.__next__()) print(iter_s.__next__()) print(iter_s.__next__()) print(iter_s.__next__()) 运行结果： <set_iterator object at 0x00000000027BDFC0> 1 2 3 报错：StopIteration 手动执行.__next__()对象都遍历完了再执行就会报错 #字典中使用迭代器 dic={'a':1,'b':2} iter_d=dic.__iter__() print(iter_d.__next__()) 运行结果： a #默认迭代的是key值 #文件中使用迭代器 f=open('test.txt','r+') iter_f=f.__iter__() print(iter_f) print(iter_f.__next__(),end='') #通过end参数解决了不是以默认的方式换行的问题 print(iter_f.__next__(),end='') 运行结果： <_io.TextIOWrapper name='test.txt' mode='r+' encoding='cp936'> 1111 2 补充next() l=['die','erzi','sunzi','chongsunzi'] iter_l=l.__iter__() print(next(iter_l)) #next()相当于iter_l.__next__() 运行结果： die
生成器
可以理解为一种数据类型，这种数据类型自动实现了迭代器协议（其他的数据类型需要调用自己内置的__iter__方法），所以生成器就是可迭代对象
生成器分类及在python中的表现形式：（Python有两种不同的方式提供生成器）
1.生成器函数：常规函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次重它离开的地方继续执行
2.生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表
为何使用生成器之生成器的优点
Python使用生成器对延迟操作提供了支持。所谓延迟操作，是指在需要的时候才产生结果，而不是立即产生结果。这也是生成器的主要好处。
生成器小结：
1.是可迭代对象
2.实现了延迟计算,省内存啊
3.生成器本质和其他的数据类型一样，都是实现了迭代器协议，只不过生成器附加了一个延迟计算省内存的好处，其余的可迭代对象可没有这点好处，记住喽！！！
def test(): yield 1 yield 2 yield 3 g=test() #写完此句才是生成器对象 print('来自函数',g) print(g.__next__()) #生成器内部有next方法，直接调用就ok print(g.__next__()) 运行结果： 来自函数 <generator object test at 0x0000000002202780> 1 2 #三元表达式 name='linhaifeng' res='SB' if name == 'alex' else '帅哥' print(res) 运行结果： 帅哥 #列表解析 #通过for循环的形式实现原理 egg_list=[] for i in range(10): egg_list.append('鸡蛋%s' %i) print(egg_list) #列表解析的表达形式 l=['鸡蛋%s' %i for i in range(10)]#%后面相当于一个要传给前面的一个参数 l1=['鸡蛋%s' %i for i in range(10) if i > 5] #列表解析中的三元表达式形式 #l1=['鸡蛋%s' %i for i in range(10) if i > 5 else i] #报错，没有四元表达式 l2=['鸡蛋%s' %i for i in range(10) if i < 5] #没有四元表达式 print(l) print(l1) print(l2) 运行结果： ['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4', '鸡蛋5', '鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9'] ['鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9'] ['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4'] laomuji=('鸡蛋%s' %i for i in range(10)) #生成器表达式 print(laomuji) print(laomuji.__next__()) print(laomuji.__next__()) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) 运行结果： <generator object <genexpr> at 0x00000000027F2780> 鸡蛋0 鸡蛋1 鸡蛋2 鸡蛋3 鸡蛋4 鸡蛋5 鸡蛋6 鸡蛋7
生成器总结：
综上已经对生成器有了一定的认识，下面我们以生成器函数为例进行总结
语法上和函数类似：生成器函数和常规函数几乎是一样的。它们都是使用def语句进行定义，差别在于，生成器使用yield语句返回一个值，而常规函数使用return语句返回一个值
自动实现迭代器协议：对于生成器，Python会自动实现迭代器协议，以便应用到迭代背景中（如for循环，sum函数）。由于生成器自动实现了迭代器协议，所以，我们可以调用它的next方法，并且，在没有值可以返回的时候，生成器自动产生StopIteration异常
状态挂起：生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态，保留足够的信息，以便之后从它离开的地方继续执行
优点一：生成器的好处是延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
优点二：生成器还能有效提高代码可读性