Python中的生成器

先决条件：产量关键字和迭代器

当我们讨论生成器时，涉及到两个术语。

1. 生成器函数：生成器函数的定义与普通函数一样，但每当需要生成值时，它都会使用 yield 关键字而不是 return。如果 def 的主体包含 yield，则该函数自动成为生成器函数。

   # A generator function that yields 1 for first time,
   # 2 second time and 3 third time
   def simpleGeneratorFun():
       yield 1            
       yield 2            
       yield 3            
      
   # Driver code to check above generator function
   for value in simpleGeneratorFun(): 
       print(value)
   

   输出 ：

   1
   2
   3

2. Generator-Object ：生成器函数返回一个生成器对象。通过调用生成器对象的 next 方法或在“for in”循环中使用生成器对象来使用生成器对象（如上面的程序所示）。

   # A Python program to demonstrate use of 
   # generator object with next() 
     
   # A generator function
   def simpleGeneratorFun():
       yield 1
       yield 2
       yield 3
      
   # x is a generator object
   x = simpleGeneratorFun()
     
   # Iterating over the generator object using next
   print(x.next()) # In Python 3, __next__()
   print(x.next())
   print(x.next())
   

   输出 ：

   1
   2
   3

所以生成器函数返回一个可迭代的生成器对象，即可以用作 Iterators 。

作为另一个示例，下面是斐波那契数列的生成器。

# A simple generator for Fibonacci Numbers
def fib(limit):
      
    # Initialize first two Fibonacci Numbers 
    a, b = 0, 1
  
    # One by one yield next Fibonacci Number
    while a < limit:
        yield a
        a, b = b, a + b
  
# Create a generator object
x = fib(5)
  
# Iterating over the generator object using next
print(x.next()) # In Python 3, __next__()
print(x.next())
print(x.next())
print(x.next())
print(x.next())
  
# Iterating over the generator object using for
# in loop.
print("\nUsing for in loop")
for i in fib(5): 
    print(i)

输出 ：

0
1
1
2
3

Using for in loop
0
1
1
2
3

应用：假设我们要创建一个斐波那契数流，采用生成器方法使其变得微不足道；我们只需要调用 next(x) 来获取下一个斐波那契数，而不必担心数字流在何时何地结束。
更实用的流处理类型是处理大型数据文件，例如日志文件。生成器为此类数据处理提供了一种节省空间的方法，因为在一个给定的时间点只处理文件的一部分。我们也可以将迭代器用于这些目的，但是 Generator 提供了一种快速的方法（我们不需要在这里编写 __next__ 和 __iter__ 方法）。

有关Python中生成器的更高级应用，请参阅下面的链接。
http://www.dabeaz.com/finalgenerator/