一、生成器的定义
生成器是一种特殊的迭代器，它允许你定义一个函数，该函数会按照你的要求生成一个序列的值，但一次只返回一个值，并且在内部维护着自己的状态，以便在需要时生成下一个值。生成器是通过使用yield关键字来实现的。
二、生成器的创建
生成器可以通过以下两种方式创建：
yield关键字
函数中包含yield关键字：当一个函数中包含至少一个yield语句时，该函数就不再是一个普通函数，而是一个生成器函数。调用该函数时，会返回一个生成器对象。
在Python中，yield关键字用于在函数中创建一个生成器。生成器是一种特殊的迭代器，它允许你逐个产生值，而不是一次性返回整个序列。使用yield关键字，你可以定义一个函数，该函数在每次调用时返回一个值，并保留其状态以供下次调用时继续执行。
语法
def generator_function_name(parameters):
"""
这是一个生成器函数的定义。
:param parameters: 函数的参数，可以是任意数量和类型的参数。
:yield: 在函数体中，使用yield关键字来返回一个值，并暂停函数的执行。
每次迭代生成器时，函数会从上次yield的位置继续执行。
"""
# 函数体：可以包含任意数量的语句和逻辑。
# 通常会有一个循环来逐个产生值。
for item in iterable: # iterable是一个可迭代对象，比如列表、元组、集合或字符串等。
# 可以在这里进行任何需要的计算或处理。
yield value # 使用yield返回一个值，并暂停函数的执行。
# 这里的代码（如果有的话）不会在每次迭代时都执行，
# 除非它位于另一个循环或条件语句中。
# 注意：生成器函数通常没有return语句（或者有一个不带值的return，表示迭代结束）。
# 如果有return语句并带有值，那么在迭代结束后尝试获取下一个值时，会引发StopIteration异常，
# 并且该值会被作为StopIteration异常的value属性返回（这是Python 3.3及以后版本的行为）。示例1
def simple_generator():
"""
一个简单的生成器函数，依次返回数字0到2。
"""
yield 0
yield 1
yield 2
# 使用生成器函数
gen = simple_generator() # 创建一个生成器对象
# 迭代生成器对象
for value in gen:
print(value) # 输出：0, 1, 2在上面的示例中，simple_generator是一个生成器函数，它使用yield关键字依次返回数字0、1和2。当我们调用这个函数时，它不会立即执行完并返回结果，而是返回一个生成器对象。然后，我们可以使用for循环或其他迭代方式来逐个获取生成器产生的值。
需要注意的是，生成器函数在每次迭代时都会从上次yield的位置继续执行，直到函数结束或再次遇到yield。这意味着你可以在生成器函数中保留状态（比如循环变量、内部变量等），并在下次迭代时继续使用它们。
示例2
def fibonacci(n):
"""生成斐波那契数列的前n个数"""
a, b = 0, 1
for _ in range(n):
yield a # 返回当前的斐波那契数
a, b = b, a + b # 更新斐波那契数列的当前数和下一个数
# 使用生成器函数
fib_gen = fibonacci(5) # 创建一个生成器对象
for num in fib_gen: # 迭代生成器对象
print(num) # 打印每个斐波那契数运行结果：
0
1
1
2
3生成器表达式
- 生成器表达式：生成器表达式类似于列表推导式，但使用圆括号而不是方括号。它们提供了一种简洁的方法来创建生成器。
- 生成器表达式是另一种创建生成器的方式，它提供了一种简洁的语法来生成序列的值。生成器表达式使用圆括号()而不是方括号[]来定义，并且它们也使用yield关键字（尽管在表达式中这种用法是隐式的）。
语法
generator_expression = (expression for item in iterable [if condition])- expression：要生成的值的表达式。
- item：从可迭代对象iterable中取出的元素。
- iterable：要遍历的可迭代对象。
- if condition（可选）：一个条件表达式，用于过滤要生成的元素。
示例
# 创建一个生成器表达式，生成从0到9的平方数
squares = (x**2 for x in range(10))
# 使用for循环迭代生成器表达式
for square in squares:
print(square)运行结果：
0
1
4
9
16
25
36
49
64
81生成器表达式在语法上类似于列表推导式，但它们不会一次性生成整个列表，而是返回一个生成器对象，该对象在迭代时按需生成值。这使得生成器表达式在处理大数据集时更加高效，因为它们不会占用大量内存。
总之，生成器是Python中一个非常有用的特性，它们提供了一种惰性计算的方式，只在需要时才生成值，从而节省了内存和计算资源。通过生成器函数和生成器表达式，我们可以轻松地创建和使用生成器来处理迭代逻辑和大数据集。
三、访问生成器
使用for循环遍历生成器
首先，我们定义一个简单的生成器函数：
# 定义一个生成器函数，它逐个生成从0到4的数字
def simple_generator():
for i in range(5):
yield i # 使用yield关键字，使函数成为一个生成器
# 使用for循环遍历生成器
for value in simple_generator():
print(f"For loop value: {value}")运行结果
For loop value: 0
For loop value: 1
For loop value: 2
For loop value: 3
For loop value: 4使用__next__()方法访问生成器
生成器对象本身也有__next__()方法，可以实现与next()函数相同的功能：
# 重新创建生成器对象
gen = simple_generator()
# 使用生成器对象的__next__()方法获取下一个值
print(f"__next__() value: {gen.__next__()}") # 输出第一个值
print(f"__next__() value: {gen.__next__()}") # 输出第二个值
print(f"__next__() value: {gen.__next__()}") # 输出第三个值
# 当生成器耗尽时，继续调用__next__()会引发StopIteration异常
try:
print(f"__next__() value: {gen.__next__()}") # 输出第四个值
print(f"__next__() value: {gen.__next__()}") # 尝试获取第五个值，会抛出异常
except StopIteration:
print("Generator exhausted")输出结果：
__next__() value: 0
__next__() value: 1
__next__() value: 2
__next__() value: 3
Generator exhausted使用next()方法访问生成器
我们可以直接使用next()函数来获取生成器的下一个值：
# 重新创建生成器对象
gen = simple_generator()
# 使用next()方法获取生成器的下一个值
print(f"Next value: {next(gen)}") # 输出第一个值
print(f"Next value: {next(gen)}") # 输出第二个值
print(f"Next value: {next(gen)}") # 输出第三个值
# 当生成器耗尽时，继续调用next()会引发StopIteration异常
try:
print(f"Next value: {next(gen)}") # 输出第四个值
print(f"Next value: {next(gen)}") # 尝试获取第五个值，会抛出异常
except StopIteration:
print("Generator exhausted")运行结果：
Next value: 0
Next value: 1
Next value: 2
Next value: 3
Generator exhausted使用send()方法
send()方法不仅可以获取生成器的下一个值，还可以向生成器发送一个值（通过yield表达式接收）。需要注意的是，首次启动生成器不能使用send()，而必须使用next()或__next__()。
# 定义一个接受send值的生成器函数
def generator_with_send():
received = yield "Start" # 第一个yield，此时received是None
while True:
received = yield received # 后续yield，将接收到的值发送回去
# 创建生成器对象
gen = generator_with_send()
# 启动生成器
print(f"First value: {next(gen)}") # 必须首先使用next()启动
# 使用send()发送值并获取生成器的下一个值
print(f"Send value: {gen.send('First send value')}") # 发送值并获取"First send value"
print(f"Send value: {gen.send('Second send value')}") # 再次发送值并获取"Second send value"
# 为了避免无限循环，我们在这里停止
# 在实际应用中，可以根据条件在生成器内部控制循环的结束输出结果：
# 定义一个接受send值的生成器函数
def generator_with_send():
received = yield "Start" # 第一个yield，此时received是None
while True:
received = yield received # 后续yield，将接收到的值发送回去
# 创建生成器对象
gen = generator_with_send()
# 启动生成器
print(f"First value: {next(gen)}") # 必须首先使用next()启动
# 使用send()发送值并获取生成器的下一个值
print(f"Send value: {gen.send('First send value')}") # 发送值并获取"First send value"
print(f"Send value: {gen.send('Second send value')}") # 再次发送值并获取"Second send value"
# 为了避免无限循环，我们在这里停止
# 在实际应用中，可以根据条件在生成器内部控制循环的结束输出结果：
First value: Start
Send value: First send value
Send value: Second send value四、yield关键字的作用
yield关键字在生成器函数中有以下几个作用：
- 返回一个值给调用者：每次调用next()方法或迭代生成器对象时，生成器函数会从上次离开的位置继续执行，直到遇到下一个yield语句，并返回该语句的值。
- 暂停函数执行：当生成器函数执行到yield语句时，它会暂停执行，并保存当前的所有局部变量和状态。下次调用next()方法时，它会从上次暂停的位置继续执行。
- 记忆状态：生成器能够记住上一次迭代时的状态，这使得它能够在多次迭代中保持内部状态的一致性。
五、生成器的优势
生成器具有以下几个优势：
- 惰性计算：生成器只在需要时才计算下一个值，这可以节省内存和计算资源。
- 节省内存：由于生成器一次只返回一个值，并且使用迭代器协议进行迭代，因此它们可以处理大数据集而不会耗尽内存。
- 简化代码：生成器提供了一种简洁的方法来编写迭代逻辑，使得代码更加清晰和易于维护。
六、生成器的应用场景
生成器适用于以下场景：
- 处理大数据集：当数据集非常大时，使用生成器可以避免一次性将所有数据加载到内存中。
- 需要惰性计算的场景：当只需要处理数据集的一部分时，生成器可以按需生成值，而无需计算整个数据集。
- 自定义迭代逻辑：当需要自定义迭代逻辑时，生成器提供了一种灵活的方式来实现这一点。
