Python中的生成器（Generator）本质上是一种特殊的迭代器，它允许你以一种“惰性”的方式生成序列中的值，而不是一次性将所有值都存储在内存中。简单来说，它就像一个“按需供货”的工厂，只有当你真正需要下一个产品时，它才会生产出来，极大地节省了资源。
解决方案
理解Python生成器，核心在于它的工作机制和它所解决的问题。它通过
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制关键字实现了一种“暂停-恢复”的执行模式。当你调用一个生成器函数时，它并不会立即执行函数体内的所有代码，而是返回一个生成器对象。只有当你对这个生成器对象进行迭代（例如使用
for
登录后复制登录后复制循环，或者手动调用
next()
登录后复制登录后复制登录后复制登录后复制登录后复制函数）时，函数体内的代码才会开始执行，直到遇到第一个
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制语句。此时，函数会“暂停”执行，将
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制后面的值返回给调用者，并记住当前的执行状态。当下次继续迭代时，函数会从上次暂停的地方继续执行，直到遇到下一个
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制或函数结束。这种机制使得生成器非常适合处理大型数据集或无限序列，因为它避免了将所有数据一次性加载到内存中，从而提高了效率和性能。
要创建一个生成器，最常见的方式有两种：
-
生成器函数（Generator Function）：
这是最直接的方式，在函数定义中使用yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制关键字。任何包含
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制的函数都会自动成为一个生成器函数。
def simple_generator(): print("开始生成...") yield 1 print("生成了1") yield 2 print("生成了2") yield 3 print("生成了3") # 调用生成器函数会返回一个生成器对象 gen = simple_generator() # 迭代生成器 print(next(gen)) # 输出: 开始生成... \n 1 print(next(gen)) # 输出: 生成了1 \n 2 print(next(gen)) # 输出: 生成了2 \n 3 # print(next(gen)) # 会抛出 StopIteration 异常 # 也可以用for循环 print("\n使用for循环:") for value in simple_generator(): print(value) # 输出: # 开始生成... # 1 # 生成了1 # 2 # 生成了2 # 3 # 生成了3登录后复制
-
生成器表达式（Generator Expression）：
这是一种更简洁的创建生成器的方式，语法上类似于列表推导式，但使用圆括号()
登录后复制登录后复制而不是方括号
[]
登录后复制登录后复制。它通常用于创建一次性、简单的生成器。
# 列表推导式 (一次性创建所有元素并存储) my_list = [i * 2 for i in range(5)] # [0, 2, 4, 6, 8] print(f"列表占用内存: {my_list.__sizeof__()} bytes") # 生成器表达式 (按需生成，不占用额外内存存储所有元素) my_generator = (i * 2 for i in range(5)) print(f"生成器对象占用内存: {my_generator.__sizeof__()} bytes") # 明显小于列表 print("\n迭代生成器表达式:") for value in my_generator: print(value) # 0, 2, 4, 6, 8 (逐个打印)登录后复制
为什么我们需要生成器？它解决了哪些实际问题？
说实话，我刚接触生成器的时候，觉得它有点“玄乎”，不就是能迭代吗？列表不也能迭代？但随着项目经验的增长，我逐渐意识到生成器在特定场景下简直是救星。它最核心的价值在于内存效率和处理无限序列的能力。
立即学习“Python免费学习笔记（深入）”；
想象一下，你正在处理一个巨大的日志文件，可能有几十GB甚至上百GB，或者需要从数据库中查询数百万条记录。如果试图一次性将所有数据都加载到内存中，你的程序很可能直接崩溃，或者变得异常缓慢。这时候，生成器就派上用场了。它允许你逐行（或逐条）读取和处理数据，每次只在内存中保留当前正在处理的那一小部分，而不是整个文件或所有记录。这对于资源受限的环境（比如嵌入式系统）或者需要处理“流式”数据（如网络数据包、实时传感器数据）的场景尤其重要。
再比如，你需要生成一个斐波那契数列，但你不知道到底需要多少个，或者可能需要一个“无限”长的数列。列表是无法存储无限序列的，但生成器可以。你可以编写一个生成器函数，它会按需不断地生成下一个斐波那契数，而不会耗尽内存。
def fibonacci_generator():
a, b = 0, 1
while True: # 理论上可以无限生成
yield a
a, b = b, a + b
# 只需要前10个斐波那契数
fib_gen = fibonacci_generator()
for _ in range(10):
print(next(fib_gen), end=" ") # 0 1 1 2 3 5 8 13 21 34
print()
# 如果需要更多，只需继续迭代，而不会预先计算所有值
登录后复制
此外，生成器还能让代码变得更简洁、更符合“迭代器模式”的设计理念。当你的操作天然就是逐个处理元素时，用生成器来封装这个过程，代码会显得更清晰、更易于维护。它将“如何生成数据”和“如何使用数据”的逻辑优雅地分离开来。
生成器函数与普通函数有什么不同？
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制 关键字是如何工作的？
这大概是初学者最容易感到困惑的地方。我记得我当时就一直在想，
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制到底是个什么鬼？它和
return
登录后复制登录后复制登录后复制登录后复制看起来有点像，但行为又完全不同。
最主要的区别在于：
-
返回类型和行为：
Hitems
HITEMS是一个AI驱动的创意设计平台，支持一键生成产品
118查看详情
-
普通函数：执行到
return
登录后复制登录后复制登录后复制登录后复制语句时，函数会彻底结束，并将
return
登录后复制登录后复制登录后复制登录后复制后面的值返回给调用者。函数内部的所有局部变量和执行状态都会被销毁。每次调用普通函数，它都会从头开始执行。
-
生成器函数：当它包含
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制关键字时，它不再是一个普通的函数。调用它不会立即执行函数体，而是返回一个生成器对象。这个对象是一个迭代器，你可以对它调用
next()
登录后复制登录后复制登录后复制登录后复制登录后复制方法或者用
for
登录后复制登录后复制循环迭代。当执行到
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制语句时，函数会“暂停”执行，将
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制后面的值发送给调用者，但它会保留当前的执行状态（包括局部变量的值、当前的执行位置等）。下次调用
next()
登录后复制登录后复制登录后复制登录后复制登录后复制时，函数会从上次暂停的地方继续执行，直到遇到下一个
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制或函数结束。
-
普通函数：执行到
-
状态管理：
- 普通函数是无状态的（在两次调用之间）。
- 生成器函数是有状态的，它能够记住自己上次运行到哪里，这正是它实现“惰性”计算的关键。
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制关键字的工作方式，可以理解为一个“生产-暂停”的机制。当你调用
next(gen_obj)
登录后复制登录后复制时：
- 生成器函数从上次
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制之后的地方开始执行。
- 执行代码直到遇到下一个
yield expression
登录后复制。
- 函数暂停，
expression
登录后复制的值被返回给
next()
登录后复制登录后复制登录后复制登录后复制登录后复制的调用者。
- 生成器函数的状态（包括所有局部变量）被保存下来。
- 当再次调用
next(gen_obj)
登录后复制登录后复制时，它会从第1步继续，恢复到上次暂停的状态。
- 如果生成器函数执行完毕，没有更多的
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制语句，或者显式地执行了
return
登录后复制登录后复制登录后复制登录后复制（没有返回值），那么
next()
登录后复制登录后复制登录后复制登录后复制登录后复制调用就会抛出
StopIteration
登录后复制异常，表示迭代结束。
def my_counter(n):
print("计数器启动")
i = 0
while i < n:
print(f"即将生成 {i}")
yield i
i += 1
print(f"生成 {i-1} 后，i变为 {i}")
print("计数器结束")
counter = my_counter(3)
print("第一次next()")
print(next(counter)) # 输出: 计数器启动 \n 即将生成 0 \n 0
print("第二次next()")
print(next(counter)) # 输出: 生成 0 后，i变为 1 \n 即将生成 1 \n 1
print("第三次next()")
print(next(counter)) # 输出: 生成 1 后，i变为 2 \n 即将生成 2 \n 2
print("第四次next() (会报错)")
try:
print(next(counter)) # 输出: 生成 2 后，i变为 3 \n 计数器结束 \n StopIteration
except StopIteration:
print("迭代结束了")
登录后复制
通过这个例子，你可以清楚地看到
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制如何控制了函数的执行流程，让它像一个可暂停、可恢复的播放器。
除了生成器函数，还有哪些创建生成器的方法？它们各自的适用场景是什么？
除了生成器函数，Python还提供了另一种非常便捷的方式来创建生成器：生成器表达式。此外，对于更复杂的生成器组合场景，
yield from
登录后复制登录后复制登录后复制登录后复制登录后复制语句也值得一提。
-
生成器表达式 (Generator Expressions)
-
语法：
(expression for item in iterable if condition)
登录后复制
-
特点：
- 与列表推导式非常相似，但使用圆括号
()
登录后复制登录后复制而不是方括号
[]
登录后复制登录后复制。
- 它会立即返回一个生成器对象，而不是像列表推导式那样立即构建一个完整的列表。
- 惰性求值，只在迭代时按需生成值。
- 通常比生成器函数更简洁，尤其适用于简单的、一次性的生成需求。
- 与列表推导式非常相似，但使用圆括号
-
适用场景：
- 当你需要对一个可迭代对象进行简单的转换或过滤，并且不希望一次性在内存中创建所有结果时。
- 作为函数参数直接传递，例如
sum((x*x for x in range(10)))
登录后复制，这比先创建一个列表再求和要高效得多。
- 处理大型数据集的中间步骤，避免创建临时列表。
# 过滤偶数的平方 even_squares_gen = (x * x for x in range(10) if x % 2 == 0) print("生成器表达式结果:") for val in even_squares_gen: print(val) # 0, 4, 16, 36, 64 # 直接在函数中使用，无需创建中间列表 total_sum = sum(x for x in range(1, 1000001)) # 计算1到100万的和，不会创建百万元素的列表 print(f"1到100万的和: {total_sum}")登录后复制
-
语法：
-
yield from
登录后复制登录后复制登录后复制登录后复制登录后复制 语句 (Python 3.3+)
-
语法：
yield from iterable
登录后复制
-
特点：
-
yield from
登录后复制登录后复制登录后复制登录后复制登录后复制是一个更高级的特性，主要用于将控制权委托给另一个生成器（或任何可迭代对象）。
- 它能有效地“扁平化”嵌套的生成器调用，使代码更简洁，避免了手动循环
for item in sub_generator: yield item
登录后复制。
- 它还提供了更复杂的双向通信机制（
send()
登录后复制、
throw()
登录后复制、
close()
登录后复制），这在协程（coroutines）中尤为重要，但对于普通生成器，我们主要关注其委托迭代的能力。
-
-
适用场景：
- 当你需要将多个生成器串联起来，或者在一个生成器中调用另一个生成器来生成值时。
- 处理嵌套的可迭代结构，例如，扁平化一个包含列表的列表，或者从多个数据源依次读取数据。
- 构建更复杂的、可组合的迭代逻辑。
def sub_generator(start, end): for i in range(start, end): yield i def main_generator(): print("开始生成第一个序列") yield from sub_generator(1, 3) # 委托给sub_generator(1,3) print("开始生成第二个序列") yield from sub_generator(10, 12) # 委托给sub_generator(10,12) print("生成完毕") for val in main_generator(): print(val) # 输出: # 开始生成第一个序列 # 1 # 2 # 开始生成第二个序列 # 10 # 11 # 生成完毕登录后复制
yield from
登录后复制登录后复制登录后复制登录后复制登录后复制让代码看起来更像是在直接
yield
登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制登录后复制子生成器的内容，而不是手动迭代。这在处理复杂的数据管道或异步编程时，能带来巨大的便利。
-
语法：
总的来说，生成器函数提供了最大的灵活性，适合复杂逻辑；生成器表达式则简洁高效，适合简单的转换；而
yield from
登录后复制登录后复制登录后复制登录后复制登录后复制则是连接和组合生成器的强大工具。根据具体的场景和需求，选择合适的创建方式，能让你的Python代码更加高效和优雅。