啊哈，yield

标签：style   blog   http   io   ar   color   os   使用   sp   

文章出处：http://www.cnblogs.com/winstic/，请保留此连接

在python编程中，我们经常会看到函数中带有yield关键字，但请注意，此时的函数不再是我们熟知的一般函数，而是所谓的generator（生成器）

生成器

　　对于生成器，可以对比于列表来看，我们在循环代码中经常会使用range()产生一个list对象，继而在for循环下依次遍历，

for i in range(1000):
    print i

　　或者是使用列表生成式生成一个list对象：

[x * x for x in range(1000)]

　　这么做确实很方便，但这有个很大的缺点，我们所生产的list对象在程序运行过程中是存放在内存中的，占用内存大小与list规模有关，若要在编程时控制内存的占用，最好不要使用list。

　　相比于list对象对内存的占用，generator有很大的优势，generator保存的是算法，不会生成所有的元素，而只是在调用next()时产生一个元素，很好的优化了内存占用的问题，可以通过next方法访问数据，当没有数据时会自动抛出StopIteration异常

>>> gener = (x * x for x in [1, 2, 3])
>>> g = (x * x for x in [1, 2, 3])
>>> g
<generator object <genexpr> at 0x02534968>
>>> g.next()
1
>>> g.next()
4
>>> g.next()
9
>>> g.next()

Traceback (most recent call last):
  File "<pyshell#16>", line 1, in <module>
    g.next()
StopIteration
>>> 

　　这么做的话难免有些繁琐，还好在for循环中会帮我们实现next方法的调用也可以这么实现

>>> for i in g:
    print i

yield 初体验

　　以上所实现的generator只是规律十分简单的，这很好实现，只需要类似于列表生成式的简单语法即可，那么对于其他的数列计算如何实现呢，例如斐波那契数列，它的定义虽然简单：除第一、二个数据外，所有的数据均是其前两个数据之和；如果我们通过一般函数实现，无疑当数列规模很大时，占用大量内存

>>> def fib(N):
    n, a, b = 0, 0, 1
    while n < N:
        print b
        a, b = b, a + b
        n = n + 1

　　那么如何将上述方法转换为generator加以实现呢，很简单，只需要将print b 替换为yield b即可，我们可以试一下：

>>> def fib(N):
    n, a, b = 0, 0, 1
    while n < N:
        yield b
        a, b = b, a + b
        n = n + 1

        
>>> fib(5)
<generator object fib at 0x02530F80>
>>> for i in fib(5):
    print i

    
1
1
2
3
5

　　加了yield关键字后的函数是如何执行的呢，不应该说是函数，这时应该称为generator；我们调用fib(5)并不会执行函数，而是返回一个generator对象，真正的执行是在调用next方法（for循环中自动调用next()），每次循环都会执行fib内的代码，遇到yield则返回一个迭代值（类似于中断）；在下次循环时执行yield的下一语句，直至遇到下一个yield。

yield 协程

　　协程（coroutine）也叫微线程，相比于多线程更为高效，因为协程是多个程序在一个线程中执行，没有线程间切换的开销；同时在协程中不需要加锁机制，因为在一个线程中不存在变量冲突问题。

　　例如经典问题（生产者-消费者问题）就可以使用协程机制实现，相比于多线程更为高效

def consumer():
    r = ‘‘
    while True:
        n = yield r
        if not n:
            return
        print ‘consumer %s‘ % n
        r = ‘OK‘

def produce(c):
    c.next()
    n = 0
    while n < 5:
        n = n + 1
        print ‘produce %s‘ % n
        r = c.send(n)
        print ‘consumer return %s‘ % r
    c.close()

if __name__ == ‘__main__‘:
    c = consumer()
    produce(c)

produce 1
consumer 1
consumer return OK
produce 2
consumer 2
consumer return OK
produce 3
consumer 3
consumer return OK
produce 4
consumer 4
consumer return OK
produce 5
consumer 5
consumer return OK

执行结果

　　在上述代码中，consumer是一个生成器，执行过程中首先通过consumer产生generator对象c，

　　我们在执行到produce（c）的next方法时，才切换到生成器函数consumer中执行，

　　在consumer中遇到yield中断，又切回到produce中

　　在produce中的c.send(n)：主要干两件事：1.将n添加到生成器中，2.返回下一个yield值（return next()）;所以当我们运行到send方法时，内含next机制进而切换到consumer函数中执行（传入参数n），得到返回值‘OK‘(在下一个yield中返回)

　　。。。。。

　　最后在produce中关闭迭代器c.close()

参考：　       　http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/0013868328689835ecd883d910145dfa8227b539725e5ed000

总结：

1. 在generator中不同于一般函数，调用方法名不会执行，只会返回一个generator对象，只有在调用next方法时才会执行
2. 一个函数中加入yield则变为generator，函数执行到yield时中断，下次迭代时定位到yield的下一条语句；yield还常用于文件的读取，用read()会造成不可预测的内存占用问题，而使用yield可以实现内存只存储每次迭代过程中固定的size

啊哈，yield

标签：style   blog   http   io   ar   color   os   使用   sp   

原文地址：http://www.cnblogs.com/winstic/p/4162640.html