首页 > 编程语言 > 详细

python yield 进阶(二)

时间：2014-05-26 04:07:40 阅读：366 评论：0 收藏：0 [点我收藏+]

标签：python

PS:接上一篇本文摘自OSchina Linuxqueen

不幸的是，这样做看上去似乎不太可能。即使是我们有神奇的函数，可以让我们从n遍历到无限大，我们也会在返回第一个值之后卡住：

1

def get_primes(start):

2

    for element in magical_infinite_range(start):

3

        if is_prime(element):

4

            return element

假设这样去调用get_primes：

1

def solve_number_10():

2

    #
 She *is* working on Project Euler #10, I knew it!

3

    total = 2

4

    for next_prime in get_primes(3):

5

        if next_prime
 < 2000000:

6

            total += next_prime

7

        else:

8

            print(total)

9

            return

显然，在get_primes中，一上来就会碰到输入等于3的，并且在函数的第4行返回。与直接返回不同，我们需要的是在退出时可以为下一次请求准备一个值。

不过函数做不到这一点。当函数返回时，意味着全部完成。我们保证函数可以再次被调用，但是我们没法保证说，“呃，这次从上次退出时的第4行开始执行，而不是常规的从第一行开始”。函数只有一个单一的入口：函数的第1行代码。

走进生成器

这类问题极其常见以至于Python专门加入了一个结构来解决它：生成器。一个生成器会“生成”值。创建一个生成器几乎和生成器函数的原理一样简单。

一个生成器函数的定义很像一个普通的函数，除了当它要生成一个值的时候，使用yield关键字而不是return。如果一个def的主体包含yield，这个函数会自动变成一个生成器（即使它包含一个return）。除了以上内容，创建一个生成器没有什么多余步骤了。

生成器函数返回生成器的迭代器。这可能是你最后一次见到“生成器的迭代器”这个术语了，因为它们通常就被称作“生成器”。要注意的是生成器就是一类特殊的迭代器。作为一个迭代器，生成器必须要定义一些方法(method)，其中一个就是__next__()。如同迭代器一样，我们可以使用next()函数来获取下一个值。

为了从生成器获取下一个值，我们使用next()函数，就像对付迭代器一样。

(next()会操心如何调用生成器的__next__()方法)。既然生成器是一个迭代器，它可以被用在for循环中。

每当生成器被调用的时候，它会返回一个值给调用者。在生成器内部使用yield来完成这个动作(例如yield 7)。为了记住yield到底干了什么，最简单的方法是把它当作专门给生成器函数用的特殊的return(加上点小魔法)。**

yield就是专门给生成器用的return(加上点小魔法)。

下面是一个简单的生成器函数：

1

>>> def simple_generator_function():

2

>>>    yield 1

3

>>>    yield 2

4

>>>    yield 3

这里有两个简单的方法来使用它：

01

>>> for value in simple_generator_function():

02

>>>     print(value)

03

1

04

2

05

3

06

>>>
 our_generator = simple_generator_function()

07

>>> next(our_generator)

08

1

09

>>> next(our_generator)

10

2

11

>>> next(our_generator)

12

3

魔法?

那么神奇的部分在哪里?我很高兴你问了这个问题!当一个生成器函数调用yield，生成器函数的“状态”会被冻结，所有的变量的值会被保留下来，下一行要执行的代码的位置也会被记录，直到再次调用next()。一旦next()再次被调用，生成器函数会从它上次离开的地方开始。如果永远不调用next()，yield保存的状态就被无视了。

我们来重写get_primes()函数，这次我们把它写作一个生成器。注意我们不再需要magical_infinite_range函数了。使用一个简单的while循环，我们创造了自己的无穷串列。

1

def get_primes(number):

2

    while True:

3

        if is_prime(number):

4

            yield number

5

        number += 1

如果生成器函数调用了return，或者执行到函数的末尾，会出现一个StopIteration异常。这会通知next()的调用者这个生成器没有下一个值了(这就是普通迭代器的行为)。这也是这个while循环在我们的get_primes()函数出现的原因。如果没有这个while，当我们第二次调用next()的时候，生成器函数会执行到函数末尾，触发StopIteration异常。一旦生成器的值用完了，再调用next()就会出现错误，所以你只能将每个生成器的使用一次。下面的代码是错误的：

01

>>>
 our_generator = simple_generator_function()

02

>>> for value in our_generator:

03

>>>     print(value)

04

05

>>> #
 我们的生成器没有下一个值了...

06

>>> print(next(our_generator))

07

Traceback
 (most recent call last):

08

  File "<ipython-input-13-7e48a609051a>",
 line 1, in <module>

09

    next(our_generator)

10

StopIteration

11

12

>>> #
 然而，我们总可以再创建一个生成器

13

>>> #
 只需再次调用生成器函数即可

14

15

>>>
 new_generator = simple_generator_function()

16

>>> print(next(new_generator)) #
 工作正常

17

1

因此，这个while循环是用来确保生成器函数永远也不会执行到函数末尾的。只要调用next()这个生成器就会生成一个值。这是一个处理无穷序列的常见方法（这类生成器也是很常见的）。

执行流程

让我们回到调用get_primes的地方：solve_number_10。

1

def solve_number_10():

2

    #
 She *is* working on Project Euler #10, I knew it!

3

    total = 2

4

    for next_prime in get_primes(3):

5

        if next_prime
 < 2000000:

6

            total += next_prime

7

        else:

8

            print(total)

9

            return

我们来看一下solve_number_10的for循环中对get_primes的调用，观察一下前几个元素是如何创建的有助于我们的理解。当for循环从get_primes请求第一个值时，我们进入get_primes，这时与进入普通函数没有区别。

进入第三行的while循环
停在if条件判断（3是素数）
通过yield将3和执行控制权返回给solve_number_10

接下来，回到insolve_number_10：

for循环得到返回值3
for循环将其赋给next_prime
total加上next_prime
for循环从get_primes请求下一个值

这次，进入get_primes时并没有从开头执行，我们从第5行继续执行，也就是上次离开的地方。

1

def get_primes(number):

2

    while True:

3

        if is_prime(number):

4

            yield number

5

        number += 1 #
 <<<<<<<<<<

最关键的是，number还保持我们上次调用yield时的值（例如3）。记住，yield会将值传给next()的调用方，同时还会保存生成器函数的“状态”。接下来，number加到4，回到while循环的开始处，然后继续增加直到得到下一个素数（5）。我们再一次把number的值通过yield返回给solve_number_10的for循环。这个周期会一直执行，直到for循环结束（得到的素数大于2,000,000）。

更给力点

在PEP 342中加入了将值传给生成器的支持。PEP 342加入了新的特性，能让生成器在单一语句中实现，生成一个值（像从前一样），接受一个值，或同时生成一个值并接受一个值。

我们用前面那个关于素数的函数来展示如何将一个值传给生成器。这一次，我们不再简单地生成比某个数大的素数，而是找出比某个数的等比级数大的最小素数（例如10，我们要生成比10，100，1000，10000 ... 大的最小素数）。我们从get_primes开始：

01

def print_successive_primes(iterations,
 base=10):

02

    #
 像普通函数一样，生成器函数可以接受一个参数

03

04

    prime_generator = get_primes(base)

05

    #
 这里以后要加上点什么

06

    for power in range(iterations):

07

        #
 这里以后要加上点什么

08

09

def get_primes(number):

10

    while True:

11

        if is_prime(number):

12

        #
 这里怎么写?

get_primes的后几行需要着重解释。yield关键字返回number的值，而像 other = yield foo 这样的语句的意思是，"返回foo的值，这个值返回给调用者的同时，将other的值也设置为那个值"。你可以通过send方法来将一个值”发送“给生成器。

1

def get_primes(number):

2

    while True:

3

        if is_prime(number):

4

            number = yield number

5

        number += 1

通过这种方式，我们可以在每次执行yield的时候为number设置不同的值。现在我们可以补齐print_successive_primes中缺少的那部分代码：

1

def print_successive_primes(iterations,
 base=10):

2

    prime_generator = get_primes(base)

3

    prime_generator.send(None)

4

    for power in range(iterations):

5

        print(prime_generator.send(base ** power))

这里有两点需要注意：首先，我们打印的是generator.send的结果，这是没问题的，因为send在发送数据给生成器的同时还返回生成器通过yield生成的值（就如同生成器中yield语句做的那样）。

第二点，看一下prime_generator.send(None)这一行，当你用send来“启动”一个生成器时（就是从生成器函数的第一行代码执行到第一个yield语句的位置），你必须发送None。这不难理解，根据刚才的描述，生成器还没有走到第一个yield语句，如果我们发生一个真实的值，这时是没有人去“接收”它的。一旦生成器启动了，我们就可以像上面那样发送数据了。

综述

在本系列文章的后半部分，我们将讨论一些yield的高级用法及其效果。yield已经成为Python最强大的关键字之一。现在我们已经对yield是如何工作的有了充分的理解，我们已经有了必要的知识，可以去了解yield的一些更“费解”的应用场景。

不管你信不信，我们其实只是揭开了yield强大能力的一角。例如，send确实如前面说的那样工作，但是在像我们的例子这样，只是生成简单的序列的场景下，send几乎从来不会被用到。下面我贴一段代码，展示send通常的使用方式。对于这段代码如何工作以及为何可以这样工作，在此我并不打算多说，它将作为第二部分很不错的热身。

01

import random

02

03

def get_data():

04

    """返回0到9之间的3个随机数"""

05

    return random.sample(range(10), 3)

06

07

def consume():

08

    """显示每次传入的整数列表的动态平均值"""

09

    running_sum = 0

10

    data_items_seen = 0

11

12

    while True:

13

        data = yield

14

        data_items_seen += len(data)

15

        running_sum += sum(data)

16

        print(‘The
 running average is {}‘.format(running_sum / float(data_items_seen)))

17

18

def produce(consumer):

19

    """产生序列集合，传递给消费函数（consumer）"""

20

    while True:

21

        data = get_data()

22

        print(‘Produced
 {}‘.format(data))

23

        consumer.send(data)

24

        yield

25

26

if __name__ == ‘__main__‘:

27

    consumer = consume()

28

    consumer.send(None)

29

    producer = produce(consumer)

30

31

    for _ in range(10):

32

        print(‘Producing...‘)

33

        next(producer)