9.3 KiB
Python 生成器和 Yield 关键字
原文：https://www.pythoncentral.io/python-generators-and-yield-keyword/
乍看之下，yield语句用于定义生成器，代替函数的return向其调用者提供结果，而不破坏局部变量。与每次调用都以新的变量集开始的函数不同，生成器会从停止的地方继续执行。
关于 Python 生成器
因为yield关键字只用于生成器，所以首先回忆一下生成器的概念是有意义的。
生成器的思想是按需(即时)逐个计算一系列结果。在最简单的情况下，一个生成器可以被用作一个list，其中每个元素都被延迟计算。让我们比较一下做同样事情的列表和生成器——返回 2 的幂:
[python]
First, we define a list
the_list = [2**x for x in range(5)]
Type check: yes, it's a list
type(the_list) <class 'list'>
Iterate over items and print them
for element in the_list: ... print(element) ... 1 2 4 8 16
How about the length?
len(the_list) 5
Ok, now a generator.
As easy as list comprehensions, but with '()' instead of '[]':
the_generator = (x+x for x in range(3))
Type check: yes, it's a generator
type(the_generator) <class 'generator'>
Iterate over items and print them
for element in the_generator: ... print(element) ... 0 2 4
Everything looks the same, but the length...
len(the_generator) Traceback (most recent call last): File "", line 1, in TypeError: object of type 'generator' has no len() [/python]
[python]
First, we define a list
the_list = [2**x for x in range(5)]
Type check: yes, it's a list
type(the_list) <type 'list'>
Iterate over items and print them
for element in the_list: ... print(element) ... 1 2 4 8 16
How about the length?
len(the_list) 5
Ok, now a generator.
As easy as list comprehensions, but with '()' instead of '[]':
the_generator = (x+x for x in range(3))
Type check: yes, it's a generator
type(the_generator) <type 'generator'>
Iterate over items and print them
for element in the_generator: ... print(element) ... 0 2 4
Everything looks the same, but the length...
len(the_generator) Traceback (most recent call last): File "", line 1, in TypeError: object of type 'generator' has no len() [/python]
遍历列表和生成器看起来完全一样。然而，尽管生成器是可迭代的，但它不是集合，因此没有长度。集合(列表、元组、集合等)将所有值保存在内存中，我们可以在需要时访问它们。生成器动态地计算这些值，然后忘记它们，所以它对自己的结果集没有任何了解。
生成器对于内存密集型任务特别有用，在这种情况下，不需要同时访问内存密集型列表中的所有元素。在从不需要完整结果的情况下，逐个计算一系列值也很有用，可以向调用者提供中间结果，直到满足某些要求，进一步的处理停止。
使用 Python“yield”关键字
一个很好的例子是搜索任务，通常不需要等待找到所有结果。执行文件系统搜索时，用户会更乐意即时收到结果，而不是等待搜索引擎遍历每个文件，然后才返回结果。有没有人真的会在所有谷歌搜索结果中导航到最后一页？
由于不能使用列表理解来创建搜索功能，我们将使用带有yield语句/关键字的函数来定义一个生成器。yield指令应该放在一个地方，在那里生成器向调用者返回一个中间结果，并休眠直到下一次调用发生。让我们定义一个生成器，在一个巨大的文本文件中逐行搜索一些关键字。
def search(keyword, filename):
print('generator started')
f = open(filename, 'r')
# Looping through the file line by line
for line in f:
if keyword in line:
# If keyword found, return it
yield line
f.close()
现在，假设我的“directory.txt”文件包含一个巨大的姓名和电话号码列表，让我们查找名字中带有“Python”的人:
>>> the_generator = search('Python', 'directory.txt')
>>> # Nothing happened
当我们调用搜索函数时，它的主体代码不会运行。生成器函数将只返回生成器对象，充当构造函数:
[python]
type(search) <class 'function'> type(the_generator) <class 'generator'> [/python]
[python]
type(search) <type 'function'> type(the_generator) <type 'generator'> [/python]
这有点棘手，因为通常情况下，def search(keyword, filename):下面的所有东西都要在调用它之后执行，但在生成器的情况下不是这样。事实上，甚至有一个很长的讨论，建议使用“gen”，或其他关键字来定义一个生成器。但是，圭多决定坚持用“def”，就这样。你可以在 PEP-255 上看到动机。
为了让新创建的生成器计算一些东西，我们需要通过迭代器协议访问它，即调用它的next方法:
[python]
print(next(the_generator)) generator started Anton Pythonio 111-222-333 [/python]
[python]
print(the_generator.next()) generator started Anton Pythonio 111-222-333 [/python]
调试字符串被打印出来，我们没有查看整个文件就获得了第一个搜索结果。现在让我们请求下一场比赛:
[python]
print(next(the_generator)) generator started Fritz Pythonmann 128-256-512 [/python]
[python]
print(the_generator.next()) generator started Fritz Pythonmann 128-256-512 [/python]
生成器在最后一个yield关键字/语句上继续，并遍历循环，直到再次遇到yield关键字/语句。然而，弗里茨仍然不是合适的人选。接下来，请:
[python]
print(next(the_generator)) generator started Guido Pythonista 123-456-789 [/python]
[python]
print(the_generator.next()) generator started Guido Pythonista 123-456-789 [/python]
最后，我们找到了他。现在你可以打电话给他，用 Python 对伟大的generators说声“谢谢”!
更多生成器细节和示例
正如您可能注意到的，该函数第一次运行时，将从头开始，直到到达yield关键字/语句，将第一个结果返回给调用者。然后，每个其他调用将从离开的地方恢复生成器代码。如果生成器函数不再命中yield关键字/语句，它将引发一个StopIteration异常(就像所有 iterable 对象在耗尽/完成时一样)。
为了在后续调用中运行yield，生成器可以包含一个循环或多个yield语句:
def hold_client(name):
yield 'Hello, %s! You will be connected soon' % name
yield 'Dear %s, could you please wait a bit.' % name
yield 'Sorry %s, we will play a nice music for you!' % name
yield '%s, your call is extremely important to us!' % name
使用生成器作为传送带通常更有意义，链接功能可以有效地处理一些序列。一个很好的例子是缓冲:以大块获取数据，以小块进行处理:
def buffered_read():
while True:
buffer = fetch_big_chunk()
for small_chunk in buffer:
yield small_chunk
这种方法允许处理功能从任何缓冲问题中抽象出来。它可以使用负责缓冲的生成器一个接一个地获取值。
使用生成器的思想，即使是简单的任务也会更加高效。在 Python 2 中。x 是 Python 中一个常见的range()函数，通常被xrange()代替，后者是yields的值，而不是一次创建整个列表:
[python]
"range" returns a list
type(range(0, 3)) <class 'list'>
xrange does not exist in Python 3.x
[/python]
[python]
"range" returns a list
type(range(0, 3)) <type 'list'>
xrange returns a generator-like object "xrange"
type(xrange(0, 3)) <type 'xrange'>
It can be used in loops just like range
for i in xrange(0, 3): ... print(i) ... 0 1 2 [/python]
最后，一个生成器的“经典”例子:计算 Fibonacci 数的前 N 个给定数:
def fibonacci(n):
curr = 1
prev = 0
counter = 0
while counter < n:
yield curr
prev, curr = curr, prev + curr
counter += 1
数字一直计算到计数器达到'n'为止。这个例子非常流行，因为斐波那契数列是无限的，很难放入内存。
到目前为止，已经描述了 Python 生成器最实用的方面。要了解更多详细信息和有趣的讨论，请看一下 Python 增强提案 255 ，其中详细讨论了该语言的特性。
快乐的蟒蛇！