标签：style 系统 支持 get on() set stop return pre
参照：
http://python.jobbole.com/81911/
http://www.cnblogs.com/kaituorensheng/p/3826911.html
迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。
1、迭代器的优点
对于原生支持随机访问的数据结构（如tuple、list），迭代器和经典for循环的索引访问相比并无优势，反而丢失了索引值（可以使用内建函数enumerate()找回这个索引值）。但对于无法随机访问的数据结构（比如set）而言，迭代器是唯一的访问元素的方式，迭代器就是一个包含了next函数的类。
另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件，或是斐波那契数列等等。
迭代器更大的功劳是提供了一个统一的访问集合的接口，只要定义了__iter__()方法对象，就可以使用迭代器访问，python处理迭代器越界是抛出StopIteration异常。
迭代器有两个基本的方法
下面用生成斐波那契数列为例子，说明为何用迭代器：
# 此种方法占用了内存资源 def fab(max): n, a, b = 0, 0, 1 l=[] while n < max: a, b = b, a + b l.append(b) n = n + 1 return l # 可以使用迭代器来解决复占空间的问题 class Fab(object): def __init__(self, max): self.max = max self.n, self.a, self.b = 0, 0, 1 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration() # 执行代码 from 迭代器 import fab for k in fab(5): print(k) # 使用内建的工厂函数iter(iterable)可以获取迭代器对象： for i in iter(fab): print(i)
二、生成器
带有 yield 的函数在 Python 中被称之为 generator（生成器函数），生成器表达式能做的事情列表解析基本都能处理，只不过在需要处理的序列比较大时，列表解析比较费内存。
def fab(max): n, a, b = 0, 0, 1 while n < max: # 每次执行到yield时停止，返回yield后变量的当前值 yield b a, b = b, a + b n = n + 1
简单地讲，yield 的作用就是把一个函数变成一个 generator，带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，调用 fab(5) 不会执行 fab 函数，而是返回一个 iterable 对象！在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield b 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield b 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。
在一个生成器中，如果没有return，则默认执行到函数完毕；如果遇到return,如果在执行过程中 return，则直接抛出 StopIteration 终止迭代。
def g2(): yield ‘a‘ return yield ‘b‘ g=g2() #程序停留在执行完yield ‘a‘语句后的位置。 next(g) #程序发现下一条语句是return， # 所以抛出StopIteration异常，这样yield ‘b‘语句永远也不会执行。 next(g)
生成器支持的方法
def g4(): yield 1 yield 2 yield 3 print(dir(g4())) [‘__class__‘, ‘__del__‘, ‘__delattr__‘, ‘__dir__‘, ‘__doc__‘, ‘__eq__‘, ‘__format__‘, ‘__ge__‘, ‘__getattribute__‘, ‘__gt__‘, ‘__hash__‘, ‘__init__‘, ‘__iter__‘, ‘__le__‘, ‘__lt__‘, ‘__name__‘, ‘__ne__‘, ‘__new__‘, ‘__next__‘, ‘__qualname__‘, ‘__reduce__‘, ‘__reduce_ex__‘, ‘__repr__‘, ‘__setattr__‘, ‘__sizeof__‘, ‘__str__‘, ‘__subclasshook__‘, ‘close‘, ‘gi_code‘, ‘gi_frame‘, ‘gi_running‘, ‘gi_yieldfrom‘, ‘send‘, ‘throw‘]
close()
手动关闭生成器函数，后面的调用会直接返回StopIteration异常
def g4(): yield 1 yield 2 yield 3 g=g4() next(g) g.close() next(g) #关闭后，yield 2和yield 3语句将不再起作用 Traceback (most recent call last):File "<stdin>", line 1, in <module> StopIteration
send()
生成器函数最大的特点是可以接受外部传入的一个变量，并根据变量内容计算结果后返回。这是生成器函数最难理解的地方，也是最重要的地方，实现后面我会讲到的协程就全靠它了。
def gen(): value=0 while True: receive=yield value if receive==‘end‘: break value = ‘got: %s‘ % receive g=gen() print(g.send(None)) print(g.send(‘aaa‘)) print(g.send(3)) print(g.send(‘end‘))
throw()
用来向生成器函数送入一个异常，可以结束系统定义的异常，或者自定义的异常。throw()后直接跑出异常并结束程序，或者消耗掉一个yield，或者在没有下一个yield的时候直接进行到程序的结尾。
def gen(): while True: try: yield ‘normal value‘ yield ‘normal value 2‘ print(‘here‘) except ValueError: print(‘we got ValueError here‘) except TypeError: break g=gen() print(next(g)) print(g.throw(ValueError)) print(next(g)) print(g.throw(TypeError))
总结：
按照鸭子模型理论，生成器就是一种迭代器，可以使用for进行迭代。
第一次执行next(generator)时，会执行完yield语句后程序进行挂起，所有的参数和状态会进行保存。再一次执行next(generator)时，会从挂起的状态开始往后执行。在遇到程序的结尾或者遇到StopIteration时，循环结束。
可以通过generator.send(arg)来传入参数，这是协程模型。
可以通过generator.throw(exception)来传入一个异常。throw语句会消耗掉一个yield。可以通过generator.close()来手动关闭生成器。
next()等价于send(None)
标签：style 系统 支持 get on() set stop return pre
原文地址：http://www.cnblogs.com/janghe/p/7456467.html
