python中什么是迭代器（一篇文章彻底搞懂Python中可迭代Iterable、迭代器Iterator与生成器Generator的概）

python中什么是迭代器

一篇文章彻底搞懂Python中可迭代Iterable、迭代器Iterator与生成器Generator的概

前言

在python中可迭代(iterable)、迭代器(iterator)和生成器(generator)这几个概念是经常用到的，初学时对这几个概念也是经常混淆，现在是时候把这几个概念搞清楚了。

0x00 可迭代(iterable)

简单的说，一个对象(在python里面一切都是对象)只要实现了只要实现了__iter__()方法，那么用isinstance()函数检查就是iterable对象；

例如

?

1 2 3 4 5 6 7 8

class iterobj:    def __iter__(self):   # 这里简单地返回自身   # 但实际情况可能不会这么写   # 而是通过内置的可迭代对象来实现   # 下文的列子中将会展示   return self

上面定义了一个类iterobj并实现了__iter__()方法，这个就是一个可迭代(iterable)对象

?

1 2 3 4

it = iterobj() print(isinstance(it, iterable)) # true print(isinstance(it, iterator)) # false print(isinstance(it, generator)) # false

记住这个类，下文我们还会看到这个类的定义。

常见的可迭代对象

在python中有哪些常见的可迭代对象呢？

• 集合或序列类型（如list、tuple、set、dict、str）
• 文件对象
• 在类中定义了__iter__()方法的对象，可以被认为是 iterable对象，但自定义的可迭代对象要能在for循环中正确使用，就需要保证__iter__()实现必须是正确的（即可以通过内置iter()函数转成iterator对象。关于iterator下文还会说明，这里留下一个坑，只是记住iter()函数是能够将一个可迭代对象转成迭代器对象，然后在for中使用）
• 在类中实现了如果只实现__getitem__()的对象可以通过iter()函数转化成迭代器但其本身不是可迭代对象。所以当一个对象能够在for循环中运行，但不一定是iterable对象。

关于第1、2点我们可以通过以下来验证

?

1 2 3 4 5 6 7 8 9

print(isinstance([], iterable)) # true list 是可迭代的 print(isinstance({}, iterable)) # true 字典是可迭代的 print(isinstance((), iterable)) # true 元组是可迭代的 print(isinstance(set(), iterable)) # true set是可迭代的 print(isinstance('', iterable)) # true 字符串是可迭代的   currpath = os.path.dirname(os.path.abspath(__file__)) with open(currpath+'/model.py') as file:  print(isinstance(file, iterable)) # true

我们再来看第3点，

?

1 2 3 4

print(hasattr([], "__iter__")) # true print(hasattr({}, "__iter__")) # true print(hasattr((), "__iter__")) # true print(hasattr('', "__iter__")) # true

这些内置集合或序列对象都有__iter__属性，即他们都实现了同名方法。但这个可迭代对象要在for循环中被使用，那么它就应该能够被内置的iter()函数调用并转化成iterator对象。

例如，我们看内置的可迭代对象

?

1 2 3 4

print(iter([])) # <list_iterator object at 0x110243f28> print(iter({})) # <dict_keyiterator object at 0x110234408> print(iter(())) # <tuple_iterator object at 0x110243f28> print(iter('')) # <str_iterator object at 0x110243f28>

它们都相应的转成了对应的迭代器(iterator)对象。

现在回过头再看看一开始定义的那个iterobj类

?

1 2 3 4 5 6 7

class iterobj:    def __iter__(self):   return self    it = iterobj() print(iter(it))

我们使用了iter()函数，这时候将再控制台上打印出以下信息：

traceback (most recent call last):
  file "/users/mac/pycharmprojects/iterable_iterator_generator.py", line 71, in <module>
    print(iter(it))
typeerror: iter() returned non-iterator of type 'iterobj'

出现了类型错误，意思是iter()函数不能将‘非迭代器'类型转成迭代器。

那如何才能将一个可迭代(iterable)对象转成迭代器(iterator)对象呢？

我们修改一下iterobj类的定义

?

1 2 3 4 5 6 7

class iterobj:    def __init__(self):   self.a = [3, 5, 7, 11, 13, 17, 19]    def __iter__(self):   return iter(self.a)

我们在构造方法中定义了一个名为a的列表，然后还实现了__iter__()方法。

修改后的类是可以被iter()函数调用的，即也可以在for循环中使用

?

1 2 3 4 5 6 7

it = iterobj() print(isinstance(it, iterable)) # true print(isinstance(it, iterator)) # false print(isinstance(it, generator)) # false print(iter(it)) # <list_iterator object at 0x102007278> for i in it:  print(i) # 将打印3、5、7、11、13、17、19元素

因此在定义一个可迭代对象时，我们要非常注意__iter__()方法的内部实现逻辑，一般情况下，是通过一些已知的可迭代对象（例如，上文提到的集合、序列、文件等或其他正确定义的可迭代对象）来辅助我们来实现

关于第4点说明的意思是iter()函数可以将一个实现了__getitem__()方法的对象转成迭代器对象，也可以在for循环中使用，但是如果用isinstance()方法来检测时，它不是一个可迭代对象。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

class iterobj:    def __init__(self):   self.a = [3, 5, 7, 11, 13, 17, 19]    def __getitem__(self, i):   return self.a[i]    it = iterobj() print(isinstance(it, iterable)) # false print(isinstance(it, iterator)) # false print(isinstance(it, generator)) false print(hasattr(it, "__iter__")) # false print(iter(it)) # <iterator object at 0x10b231278>   for i in it:  print(i) # 将打印出3、5、7、11、13、17、19

这个例子说明了可以在for中使用的对象，不一定是可迭代对象。

现在我们做个小结：

• 一个可迭代的对象是实现了__iter__()方法的对象
• 它要在for循环中使用，就必须满足iter()的调用(即调用这个函数不会出错，能够正确转成一个iterator对象)
• 可以通过已知的可迭代对象来辅助实现我们自定义的可迭代对象。
• 一个对象实现了__getitem__()方法可以通过iter()函数转成iterator，即可以在for循环中使用，但它不是一个可迭代对象(可用isinstance方法检测())

0x01 迭代器(iterator)

上文很多地方都提到了iterator,现在我们把这个坑填上。

当我们对可迭代的概念了解后，对于迭代器就比较好理解了。

一个对象实现了__iter__()和__next__()方法，那么它就是一个迭代器对象。 例如

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

class iterobj:    def __init__(self):   self.a = [3, 5, 7, 11, 13, 17, 19]     self.n = len(self.a)   self.i = 0    def __iter__(self):   return iter(self.a)    def __next__(self):   while self.i < self.n:    v = self.a[self.i]    self.i += 1    return v   else:    self.i = 0    raise stopiteration()

在iterobj中，构造函数中定义了一个列表a,列表长度n,索引i。

?

1 2 3 4 5 6

it = iterobj() print(isinstance(it, iterable)) # true print(isinstance(it, iterator)) # true print(isinstance(it, generator)) # false print(hasattr(it, "__iter__")) # true print(hasattr(it, "__next__")) # true

我们可以发现上文提到的

集合和序列对象是可迭代的但不是迭代器

?

1 2 3 4 5

print(isinstance([], iterator)) # false print(isinstance({}, iterator)) # false print(isinstance((), iterator)) # false print(isinstance(set(), iterator)) # false print(isinstance('', iterator)) # false

而文件对象是迭代器

?

1 2 3

currpath = os.path.dirname(os.path.abspath(__file__)) with open(currpath+'/model.py') as file:  print(isinstance(file, iterator)) # true

一个迭代器(iterator)对象不仅可以在for循环中使用，还可以通过内置函数next()函数进行调用。 例如

?

1 2 3

it = iterobj() next(it) # 3 next(it) # 5

0x02 生成器(generator)

现在我们来看看什么是生成器？

一个生成器既是可迭代的也是迭代器

定义生成器有两种方式：

• 列表生成器
• 使用yield定义生成器函数

先看第1种情况

?

1 2 3 4 5 6 7 8

g = (x * 2 for x in range(10)) # 0～18的偶数生成器 print(isinstance(g, iterable)) # true print(isinstance(g, iterator)) # true print(isinstance(g, generator)) # true print(hasattr(g, "__iter__")) # true print(hasattr(g, "__next__")) # true print(next(g)) # 0 print(next(g)) # 2

列表生成器可以不需要消耗大量的内存来生成一个巨大的列表，只有在需要数据的时候才会进行计算。

再看第2种情况

?

1 2 3

def gen():  for i in range(10):   yield i

这里yield的作用就相当于return,这个函数就是顺序地返回[0,10)的之间的自然数，可以通过next()或使用for循环来遍历。

当程序遇到yield关键字时，这个生成器函数就返回了，直到再次执行了next()函数，它就会从上次函数返回的执行点继续执行，即yield退出时保存了函数执行的位置、变量等信息，再次执行时，就从这个yield退出的地方继续往下执行。

在python中利用生成器的这些特点可以实现协程。协程可以理解为一个轻量级的线程，它相对于线程处理高并发场景有很多优势。

看下面一个用协程实现的生产者-消费者模型

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

def producer(c):  n = 0  while n < 5:   n += 1   print('producer {}'.format(n))   r = c.send(n)   print('consumer return {}'.format(r))     def consumer():  r = ''  while true:   n = yield r   if not n:    return   print('consumer {} '.format(n))   r = 'ok'     if __name__ == '__main__':  c = consumer()  next(c) # 启动consumer  producer(c)

这段代码执行效果如下

producer 1
consumer 1
producer return ok
producer 2
consumer 2
producer return ok
producer 3
consumer 3
producer return ok

协程实现了cpu在两个函数之间进行切换从而实现并发的效果。

0x04 引用

docs.python.org/3.7/

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对开心学习网的支持。

原文链接：https://juejin.im/post/5ccafbf5e51d453a3a0acb42