python的迭代器与生成器实例详解
|
本文以实例详解了python的迭代器与生成器，具体如下所示： 1. 迭代器概述： 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。
def fab(max):
n,a,b = 0,1
while n < max:
print b
a,b = b,a + b
n = n + 1
直接在函数fab(max)中用print打印会导致函数的可复用性变差，因为fab返回None。其他函数无法获得fab函数返回的数列。
def fab(max):
L = []
n,1
while n < max:
L.append(b)
a,a + b
n = n + 1
return L
代码2满足了可复用性的需求，但是占用了内存空间，最好不要。 for i in range(1000): pass for i in xrange(1000): pass 前一个返回1000个元素的列表，而后一个在每次迭代中返回一个元素，因此可以使用迭代器来解决复用可占空间的问题
class Fab(object):
def __init__(self,max):
self.max = max
self.n,self.a,self.b = 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 >>> for key in Fabs(5): print key Fabs 类通过 next() 不断返回数列的下一个数，内存占用始终为常数 1.2 使用迭代器 使用内建的工厂函数iter(iterable)可以获取迭代器对象： >>> lst = range(5) >>> it = iter(lst) >>> it <listiterator object at 0x01A63110> 使用next()方法可以访问下一个元素： >>> it.next() >>> it.next() >>> it.next() python处理迭代器越界是抛出StopIteration异常 >>> it.next() >>> it.next <method-wrapper 'next' of listiterator object at 0x01A63110> >>> it.next() >>> it.next() Traceback (most recent call last): File "<pyshell#27>",line 1,in <module> it.next() StopIteration 了解了StopIteration，可以使用迭代器进行遍历了
lst = range(5)
it = iter(lst)
try:
while True:
val = it.next()
print val
except StopIteration:
pass
事实上，因为迭代器如此普遍，python专门为for关键字做了迭代器的语法糖。在for循环中，Python将自动调用工厂函数iter()获得迭代器，自动调用next()获取元素，还完成了检查StopIteration异常的工作。如下 >>> a = (1,2,3,4) >>> for key in a: print key 首先python对关键字in后的对象调用iter函数迭代器，然后调用迭代器的next方法获得元素，直到抛出StopIteration异常。 1.3 定义迭代器
# -*- coding: cp936 -*-
class Fabs(object):
def __init__(self,max):
self.max = max
self.n,1 #特别指出：第0项是0，第1项是第一个1.整个数列从1开始
def __iter__(self):
return self
def next(self):
if self.n < self.max:
r = self.b
self.a,self.a + self.b
self.n = self.n + 1
return r
raise StopIteration()
print Fabs(5)
for key in Fabs(5):
print key
结果 <__main__.Fabs object at 0x01A63090> 2. 迭代器 带有 yield 的函数在 Python 中被称之为 generator（生成器），几个例子说明下（还是用生成斐波那契数列说明）
def fab(max):
n,1
while n < max:
yield b
a,a + b
n = n = 1
执行 >>> for n in fab(5): print n 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。 >>> f = fab(3) >>> f.next() 1 >>> f.next() 1 >>> f.next() 2 >>> f.next() Traceback (most recent call last): File "<pyshell#62>",in <module> f.next() StopIteration return作用 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。例如 >>> s = fab(5) >>> s.next() 1 >>> s.next() Traceback (most recent call last): File "<pyshell#66>",in <module> s.next() StopIteration 示例代码5 文件读取
def read_file(fpath):
BLOCK_SIZE = 1024
with open(fpath,'rb') as f:
while True:
block = f.read(BLOCK_SIZE)
if block:
yield block
else:
return
如果直接对文件对象调用 read() 方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |