标签：基础上 变量 python2 内存 padding over sof 目录 img
大家好，并发编程 进入第七篇。
从今天开始，我们将开始进入Python的难点，那就是协程。
为了写明白协程的知识点，我查阅了网上的很多相关资料。发现很难有一个讲得系统，讲得全面的文章，导致我们在学习的时候，往往半知半解，学完还是一脸懵逼。
学习协程的第一门课程，是要认识生成器，有了生成器的基础，才能更好地理解协程。
如果你是新手，那么你应该知道迭代器，对生成器应该是比较陌生的吧。没关系，看完这系列文章，你也能从小白成功过渡为Ptyhon高手。
再次提醒：
本系列所有的代码均在Python3下编写，也建议大家尽快投入到Python3的怀抱中来。
初学Python的时候，对于这三货真的是傻傻分不清。甚至还认为他们是等价的。
其实，他们是不一样的。
可迭代的对象，很好理解，我们很熟悉的：字符串，list，dict，tuple，deque等
为了验证我说的，需要借助collections.abc这个模块（Python2没有），使用isinstance()来类别一个对象是否是可迭代的（Iterable），是否是迭代器（Iterator），是否是生成器（Generator）。
import collections
from collections.abc import Iterable, Iterator, Generator
# 字符串
astr = "XiaoMing"
print("字符串：{}".format(astr))
print(isinstance(astr, Iterable))
print(isinstance(astr, Iterator))
print(isinstance(astr, Generator))
# 列表
alist = [21, 23, 32,19]
print("列表：{}".format(alist))
print(isinstance(alist, Iterable))
print(isinstance(alist, Iterator))
print(isinstance(alist, Generator))
# 字典
adict = {"name": "小明", "gender": "男", "age": 18}
print("字典：{}".format(adict))
print(isinstance(adict, Iterable))
print(isinstance(adict, Iterator))
print(isinstance(adict, Generator))
# deque
adeque=collections.deque(‘abcdefg‘)
print("deque：{}".format(adeque))
print(isinstance(adeque, Iterable))
print(isinstance(adeque, Iterator))
print(isinstance(adeque, Generator))
输出结果
字符串：XiaoMing
True
False
False
列表：[21, 23, 32, 19]
True
False
False
字典：{‘name‘: ‘小明‘, ‘gender‘: ‘男‘, ‘age‘: 18}
True
False
False
deque：deque([‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘, ‘f‘, ‘g‘])
True
False
False
从结果来看，这些可迭代对象都不是迭代器，也不是生成器。它们有一个共同点，就是它们都可以使用for来循环。这一点，大家都知道，我们就不去验证了。
扩展知识:
可迭代对象，是其内部实现了，__iter__这个魔术方法。
可以通过，dir()方法来查看是否有__iter__来判断一个变量是否是可迭代的。
接下来是，迭代器。
对比可迭代对象，迭代器其实就只是多了一个函数而已。就是__next__()，我们可以不再使用for循环来间断获取元素值。而可以直接使用next()方法来实现。
迭代器，是在可迭代的基础上实现的。要创建一个迭代器，我们首先，得有一个可迭代对象。
现在就来看看，如何创建一个可迭代对象，并以可迭代对象为基础创建一个迭代器。
from collections.abc import Iterable, Iterator, Generator
class MyList(object): # 定义可迭代对象类
def __init__(self, num):
self.end = num # 上边界
# 返回一个实现了__iter__和__next__的迭代器类的实例
def __iter__(self):
return MyListIterator(self.end)
class MyListIterator(object): # 定义迭代器类
def __init__(self, end):
self.data = end # 上边界
self.start = 0
# 返回该对象的迭代器类的实例；因为自己就是迭代器，所以返回self
def __iter__(self):
return self
# 迭代器类必须实现的方法，若是Python2则是next()函数
def __next__(self):
while self.start < self.data:
self.start += 1
return self.start - 1
raise StopIteration
if __name__ == ‘__main__‘:
my_list = MyList(5) # 得到一个可迭代对象
print(isinstance(my_list, Iterable)) # True
print(isinstance(my_list, Iterator)) # False
# 迭代
for i in my_list:
print(i)
my_iterator = iter(my_list) # 得到一个迭代器
print(isinstance(my_iterator, Iterable)) # True
print(isinstance(my_iterator, Iterator)) # True
# 迭代
print(next(my_iterator))
print(next(my_iterator))
print(next(my_iterator))
print(next(my_iterator))
print(next(my_iterator))
输出
0
1
2
3
4
True
False
True
True
0
1
2
3
4
如果上面的代码太多，也可以看这边，你更能理解。
from collections.abc import Iterator
aStr = ‘abcd‘ # 创建字符串，它是可迭代对象
aIterator = iter(aStr) # 通过iter()，将可迭代对象转换为一个迭代器
print(isinstance(aIterator, Iterator)) # True
next(aIterator) # a
next(aIterator) # b
next(aIterator) # c
next(aIterator) # d
扩展知识:
迭代器，是其内部实现了，__next__这个魔术方法。(Python3.x)
可以通过，dir()方法来查看是否有__next__来判断一个变量是否是迭代器的。
接下来，是我们的重点，生成器。
生成器的概念在 Python 2.2 中首次出现，之所以引入生成器，是为了实现一个在计算下一个值时不需要浪费空间的结构。
前面我们说，迭代器，是在可迭代的基础上，加了一个next()方法。
而生成器，则是在迭代器的基础上（可以用for循环，可以使用next()），再实现了yield。
yield 是什么东西呢，它相当于我们函数里的return。在每次next()，或者for遍历的时候，都会yield这里将新的值返回回去，并在这里阻塞，等待下一次的调用。正是由于这个机制，才使用生成器在Python编程中大放异彩。实现节省内存，实现异步编程。
如何创建一个生成器，主要有如下两种方法
# 使用列表生成式，注意不是[]，而是()
L = (x * x for x in range(10))
print(isinstance(L, Generator)) # True
# 实现了yield的函数
def mygen(n):
now = 0
while now < n:
yield now
now += 1
if __name__ == ‘__main__‘:
gen = mygen(10)
print(isinstance(gen, Generator)) # True
可迭代对象和迭代器，是将所有的值都生成存放在内存中，而生成器则是需要元素才临时生成，节省时间，节省空间。
由于生成器并不是一次生成所有元素，而是一次一次的执行返回，那么如何刺激生成器执行(或者说激活)呢？
激活主要有两个方法
next()generator.send(None)分别看下例子，你就知道了。
def mygen(n):
now = 0
while now < n:
yield now
now += 1
if __name__ == ‘__main__‘:
gen = mygen(4)
# 通过交替执行，来说明这两种方法是等价的。
print(gen.send(None))
print(next(gen))
print(gen.send(None))
print(next(gen))
输出
0
1
2
3
生成器在其生命周期中，会有如下四个状态
GEN_CREATED# 等待开始执行GEN_RUNNING# 解释器正在执行（只有在多线程应用中才能看到这个状态）GEN_SUSPENDED# 在yield表达式处暂停GEN_CLOSED# 执行结束
通过代码来感受一下，为了不增加代码理解难度，GEN_RUNNING这个状态，我就不举例了。有兴趣的同学，可以去尝试一下多线程。若有疑问，可在后台回复我。
from inspect import getgeneratorstate
def mygen(n):
now = 0
while now < n:
yield now
now += 1
if __name__ == ‘__main__‘:
gen = mygen(2)
print(getgeneratorstate(gen))
print(next(gen))
print(getgeneratorstate(gen))
print(next(gen))
gen.close() # 手动关闭/结束生成器
print(getgeneratorstate(gen))
输出
GEN_CREATED
0
GEN_SUSPENDED
1
GEN_CLOSED
在生成器工作过程中，若生成器不满足生成元素的条件，就会/应该 抛出异常（StopIteration）。
通过列表生成式构建的生成器，其内部已经自动帮我们实现了抛出异常这一步。不信我们来看一下。
所以我们在自己定义一个生成器的时候，我们也应该在不满足生成元素条件的时候，抛出异常。
拿上面的代码来修改一下。
def mygen(n):
now = 0
while now < n:
yield now
now += 1
raise StopIteration
if __name__ == ‘__main__‘:
gen = mygen(2)
next(gen)
next(gen)
next(gen)
通过上面的介绍，我们知道生成器为我们引入了暂停函数执行（yield）的功能。当有了暂停的功能之后，人们就想能不能在生成器暂停的时候向其发送一点东西（其实上面也有提及：send(None)）。这种向暂停的生成器发送信息的功能通过 PEP 342 进入 Python 2.5 中，并催生了 Python 中协程的诞生。根据 wikipedia 中的定义
协程是为非抢占式多任务产生子程序的计算机程序组件，协程允许不同入口点在不同位置暂停或开始执行程序。
注意从本质上而言，协程并不属于语言中的概念，而是编程模型上的概念。
协程和线程，有相似点，多个协程之间和线程一样，只会交叉串行执行；也有不同点，线程之间要频繁进行切换，加锁，解锁，从复杂度和效率来看，和协程相比，这确是一个痛点。协程通过使用 yield 暂停生成器，可以将程序的执行流程交给其他的子程序，从而实现不同子程序的之间的交替执行。
下面通过一个简明的演示来看看，如何向生成器中发送消息。
def jumping_range(N):
index = 0
while index < N:
# 通过send()发送的信息将赋值给jump
jump = yield index
if jump is None:
jump = 1
index += jump
if __name__ == ‘__main__‘:
itr = jumping_range(5)
print(next(itr))
print(itr.send(2))
print(next(itr))
print(itr.send(-1))
输出。
0
2
3
2
这里解释下为什么这么输出。
重点是jump = yield index这个语句。
分成两部分：
yield index 是将index return给外部调用程序。jump = yield 可以接收外部程序通过send()发送的信息，并赋值给jump以上这些，都是讲协程并发的基础必备知识，请一定要亲自去实践并理解它，不然后面的内容，将会变得枯燥无味，晦涩难懂。
下一章，我将讲一个Python3.5新引入的语法：yield from。篇幅也比较多，所以就单独拿出来讲。
好了，今天就讲这些。
标签：基础上 变量 python2 内存 padding over sof 目录 img
原文地址：https://www.cnblogs.com/wongbingming/p/9060989.html
