Python yield 使用方法浅析
如何生成斐波那契盗 斐波那契(Fibonacci)盗惺且桓龇浅<虻サ牡莨槭校谝桓龊偷诙鍪猓我庖桓鍪伎捎汕傲礁鍪嗉拥玫健S眉扑慊绦蚴涑鲮巢瞧盗械那 N 个数是一个非常简单的问题,许多初学者都可以轻易写出如下函数: 清单 1. 简单输出斐波那契盗星 N 个数 def fab(max): n,a,b = 0,1 while n < max: print b a,b = b,a + b n = n + 1 执行 fab(5),我们可以得到如下输出: >>> fab(5) 结果没有问题,但有经验的开发者会指出,直接在 fab 函数中用 print 打印数字会导致该函数可复用性较差,因为 fab 函数返回 None,其他函数无法获得该函数生成的数列。 要提高 fab 函数的可复用性,最好不要直接打印出数列,而是返回一个 List。以下是 fab 函数改写后的第二个版本: 清单 2. 输出斐波那契盗星 N 个数第二版 def fab(max): n,1 L = [] while n < max: L.append(b) a,a + b n = n + 1 return L 可以使用如下方式打印出 fab 函数返回的 List: >>> for n in fab(5): 改写后的 fab 函数通过返回 List 能满足复用性的要求,但是更有经验的开发者会指出,该函数在运行中占用的内存会随着参数 max 的增大而增大,如果要控制内存占用,最好不要用 List来保存中间结果,而是通过 iterable 对象来迭代。例如,在 Python2.x 中,代码: 清单 3. 通过 iterable 对象来迭代
利用 iterable 我们可以把 fab 函数改写为一个支持 iterable 的 class,以下是第三个版本的 Fab: 清单 4. 第三个版本 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() Fab 类通过 next() 不断返回数列的下一个数,内存占用始终为常数: >>> for n in Fab(5): 然而,使用 class 改写的这个版本,代码远远没有第一版的 fab 函数来得简洁。如果我们想要保持第一版 fab 函数的简洁性,同时又要获得 iterable 的效果,yield 就派上用场了: 清单 5. 使用 yield 的第四版 def fab(max): n,1 while n < max: yield b # print b a,a + b n = n + 1 ''' 第四个版本的 fab 和第一版相比,仅仅把 print b 改为了 yield b,就在保持简洁性的同时获得了 iterable 的效果。 调用第四版的 fab 和第二版的 fab 完全一致: >>> for n in fab(5): 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。 也可以手动调用 fab(5) 的 next() 方法(因为 fab(5) 是一个 generator 对象,该对象具有 next() 方法),这样我们就可以更清楚地看到 fab 的执行流程: 清单 6. 执行流程 >>> f = fab(5) >>> f.next() 1 >>> f.next() 1 >>> f.next() 2 >>> f.next() 3 >>> f.next() 5 >>> f.next() Traceback (most recent call last): File "<stdin>",line 1,in <module> StopIteration 当函数执行结束时,generator 自动抛出 StopIteration 异常,表示迭代完成。在 for 循环里,无需处理 StopIteration 异常,循环会正常结束。 我们可以得出以下结论: 一个带有 yield 的函数就是一个 generator,它和普通函数不同,生成一个 generator 看起来像函数调用,但不会执行任何函数代码,直到对其调用 next()(在 for 循环中会自动调用 next())才开始执行。虽然执行流程仍按函数的流程执行,但每执行到一个 yield 语句就会中断,并返回一个迭代值,下次执行时从 yield 的下一个语句继续执行。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。 yield 的好处是显而易见的,把一个函数改写为一个 generator 就获得了迭代能力,比起用类的实例保存状态来计算下一个 next() 的值,不仅代码简洁,而且执行流程异常清晰。 如何判断一个函数是否是一个特殊的 generator 函数?可以利用 isgeneratorfunction 判断: 清单 7. 使用 isgeneratorfunction 判断 >>> from inspect import isgeneratorfunction >>> isgeneratorfunction(fab) True 要注意区分 fab 和 fab(5),fab 是一个 generator function,而 fab(5) 是调用 fab 返回的一个 generator,好比类的定义和类的实例的区别: 清单 8. 类的定义和类的实例 >>> import types >>> isinstance(fab,types.GeneratorType) False >>> isinstance(fab(5),types.GeneratorType) True fab 是无法迭代的,而 fab(5) 是可迭代的: >>> from collections import Iterable >>> isinstance(fab,Iterable) False >>> isinstance(fab(5),Iterable) True 每次调用 fab 函数都会生成一个新的 generator 实例,各实例互不影响: >>> f1 = fab(3) >>> f2 = fab(5) >>> print 'f1:',f1.next() f1: 1 >>> print 'f2:',f2.next() f2: 1 >>> print 'f1:',f1.next() f1: 2 >>> print 'f2:',f2.next() f2: 2 >>> print 'f2:',f2.next() f2: 3 >>> print 'f2:',f2.next() f2: 5 return 的作用 在一个 generator function 中,如果没有 return,则默认执行至函数完毕,如果在执行过程中 return,则直接抛出 StopIteration 终止迭代。 另一个例子 另一个 yield 的例子来源于文件读取。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: 清单 9. 另一个 yield 的例子 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 以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持编程小技巧。 (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! |