Python 高级特性之：生成器，generator和迭代器
前言：
之前学习Python自动化，接触了不少python的学习，对生成器印象尤其深，网上也看了很多介绍，下面主要是这些概念的个人学习整理（如侵删）。
正文：
如要创建一个非常大的列表，受到内存限制，列表容量肯定也是有限的，而且很多时候，访问只是几个元素，剩余的空间更是白白浪费，
如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素，Python的生成器就为之而生。
Python这门语言中，生成器毫无疑问是最有用的特性之一,也是使用的最不广泛的Python特性之一。因为其他很多语言并无生成器这个概念
生成器（generator）：一边循环一边计算的机制，不会把结果保存在一个系列中，而是保存生成器的状态，在每次进行迭代时返回一个值，直到遇到StopIteration异常结束。
创建一个generator：
方案一：
只要把一个列表生成式的[]改成()，就创建了一个generator：
>>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630>
创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator，可以通过next()函数获得generator的下一个返回值：
>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 .
.
. >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
方案二：
yield的使用：
在python中，当你定义一个函数，使用了yield关键字时，这个函数就是一个生成器，yield是一个关键词，类似return, 不同之处在于，yield返回的是一个生成器,以斐波拉契数列（Fibonacci）为例
著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
def fib(max):
a, b = 0, 1
while a < max:
yield b
a, b = b, a + b运行：
for n in fib(6):
print(n)
1 1 2 3 5 8
迭代器（Iterator）
可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；一类是generator，包括生成器和带yield的generator function。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
查看帮助文档help(Iterator)，可知道，Iterable继承自object, Iterator继承自Iterable
可以使用isinstance()判断一个对象是否是Iterator
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False生成器既能使用for循环，也能被next()函数调用并不断返回下一个值，所有：
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。
可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以：
Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
参考来源：