什么是python生成器
生成器是一种特殊的迭代器,它内部也有__iter__
方法和__next__
方法,在终止生成器的时候,还是会抛StopIteration
异常以此来退出循环,只不过相比于迭代器,生成器还有特性会保存“中间值”,下次运行的时候,还会借助这个“中间值”来操作。生成器的关键字是yield
,我们下面来写一个最简单的生成器。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
|
粗看代码,可能会觉着这个是个啥啊,为啥不直接用range
来生成,偏偏要用yield
,哎,不急,我们接着往下看为什么需要生成器,或者说,生成器解决了什么问题。
为什么需要python生成器
在说明这个问题之前,我们先来写一个需求,输出 0——10000000 以内的数据,而后运行查看导出内存运行截图。
调用python程序内存信息辅助说明
这里可以借助python
的memory_profiler
模块来检测程序内存的占用情况。
安装memory_profiler
库:
1 |
|
使用方法很简单,在需要检测的函数或者是代码前添加@profile
装饰器即可,例如:
1 2 3 |
|
生成.dat
文件
mprof run <executable>
导出图示,可以使用
mprof plot --output=filename
python案例代码
以下2个程序,都是输出0—9999999之间的数据,不同的是,第一个程序是使用range
而后给append
进list
中,第二个则是使用迭代器来生成该数据。
main.py
程序
1 2 3 4 5 6 7 8 |
|
main_2.py
程序
1 2 3 4 5 6 7 8 9 10 11 12 13 |
|
运行程序
代码也有了,就可以按照上述来运行一下程序,并且导出内存信息
运行后内存信息查看
main.py
运行内存图
main_2.py
运行内存图
如上2张对比图,当我们将数据叠加进列表,再输出的时候,占用内存接近400M,而使用迭代器来计算下一个值内存仅使用16M。
通过上述案例,我们应该知道为什么要使用生成器了吧。
python生成器原理
由于生成器表达式yield
语句涉及到了python
解释权内部机制,所以很难查看其源码,很难获取其原理,不过我们可以利用yield
的暂停机制,来探寻一下生成器。
可以编写如下代码:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
运行后效果如下
通过上述实例,再结合下面这段生成器的运行过程,会加深对生成器的感触。
当python
遇到yield
语句时,会记录当前函数的运行状态,并且暂停执行,将结果抛出。会持续等待下一次调用__next__
方法,该方法调用后,会恢复函数的运行,直至下一个yield
语句或者函数结束,执行到最后没有yield
函数可执行的时候,会抛StopIteration
来标志生成器的结束。
生成器表达式
在python
中,生成器除了写在函数中,使用yield
返回之外,还可以直接使用生成器表达式,额。。。可能很抽象,但是你看下面这段代码,你就明白了。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
其中,代码(i for i in [1,2,3,4,5])
就等同于printNums
函数,其类型都是生成器,我们可以使用type
打印出来看下。
改下代码,输出结果如下:
以上就是Python中的生成器是如何工作的?的详细内容
发表评论:
◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。