python中yield关键字是做什么的_Python生成器yield关键字详解

yield关键字使函数成为生成器，可暂停执行并按需返回值。生成器是特殊的迭代器，无需手动实现__iter__和__next__，通过yield自动保存状态，相比传统迭代器更简洁、内存友好。调用next()时，生成器从上次yield处继续执行，适用于大文件读取、斐波那契数列、数据流处理等场景，提升效率与可读性。

yield

关键字在Python中扮演着生成器的核心角色。它允许函数暂停执行并返回一个值，而保留其状态，以便稍后可以从停止的地方继续执行。这使得你能够创建按需生成值的序列，而不是一次性将所有值存储在内存中。

Python生成器

yield

关键字详解：

生成器是一种特殊的迭代器，它不会一次性生成所有值，而是根据需要逐个生成。

yield

关键字是实现生成器的关键。

什么是生成器？它与迭代器有什么区别？

生成器本质上是一种特殊的迭代器。迭代器是一个对象，实现了

__iter__

和

__next__

方法，用于按顺序访问集合中的元素。生成器通过使用

yield

关键字来简化迭代器的创建过程。

立即学习“Python免费学习笔记（深入）”；

主要区别在于：

• 实现方式： 迭代器通常需要定义一个类，并手动实现

  __iter__

  和

  __next__

  方法。生成器则可以通过一个包含

  yield

  语句的函数来创建，更简洁。

• 内存占用： 迭代器和生成器都不会一次性加载所有数据到内存中，而是按需生成。但生成器在实现上更加轻量级，通常占用更少的内存。
• 状态保持： 生成器函数在每次调用

  next()

  时，会从上次

  yield

  语句停止的地方继续执行，保留了函数的状态。

例如，以下是一个迭代器的例子：

class MyIterator:
def __init__(self, data):
self.data = data
self.index = 0
def __iter__(self):
return self
def __next__(self):
if self.index >= len(self.data):
raise StopIteration
value = self.data[self.index]
self.index += 1
return value
my_list = [1, 2, 3]
my_iterator = MyIterator(my_list)
for item in my_iterator:
print(item)

而以下是一个生成器的例子：

def my_generator(data):
for item in data:
yield item
my_list = [1, 2, 3]
my_generator_object = my_generator(my_list)
for item in my_generator_object:
print(item)

可以看到，生成器的代码更简洁。

yield

关键字如何工作？深入理解生成器的执行流程

当一个函数包含

yield

关键字时，它就变成了一个生成器函数。调用生成器函数时，它不会立即执行函数体，而是返回一个生成器对象。

当对生成器对象调用

next()

方法时，生成器函数会开始执行，直到遇到

yield

语句。此时，函数会暂停执行，并将

yield

后面的值返回给调用者。同时，函数的状态会被保存下来。

下次调用

next()

方法时，函数会从上次暂停的地方继续执行，直到再次遇到

yield

语句。这个过程会一直重复，直到函数执行完毕，或者遇到

return

语句（此时会抛出

StopIteration

异常）。

例如：

def my_generator():
print("First")
yield 1
print("Second")
yield 2
print("Third")
gen = my_generator()
print(next(gen)) # 输出: First, 1
print(next(gen)) # 输出: Second, 2
print(next(gen)) # 输出: Third, StopIteration

可以看到，每次调用

next()

，生成器函数都会执行到下一个

yield

语句，并返回一个值。

生成器的实际应用场景：如何利用

yield

优化代码？

生成器在处理大数据集、无限序列或需要按需生成数据的场景下非常有用。

• 读取大型文件： 可以使用生成器逐行读取大型文件，避免一次性将整个文件加载到内存中。

def read_large_file(file_path):
with open(file_path, 'r') as f:
for line in f:
yield line.strip()
for line in read_large_file('large_file.txt'):
print(line)

• 生成斐波那契数列： 可以使用生成器无限生成斐波那契数列。

def fibonacci():
a, b = 0, 1
while True:
yield a
a, b = b, a + b
for num in fibonacci():
if num > 100:
break
print(num)

• 数据流处理： 可以将生成器用于数据流处理管道，每个生成器负责一个特定的数据处理步骤。

def data_source():
for i in range(10):
yield i
def square(data):
for item in data:
yield item * item
def cube(data):
for item in data:
yield item * item * item
data = data_source()
squared_data = square(data)
cubed_data = cube(squared_data)
for item in cubed_data:
print(item)

生成器可以显著提高代码的可读性和效率，尤其是在处理大数据或需要延迟计算的场景下。记住，使用

yield

的关键在于理解它如何暂停和恢复函数的执行，以及如何利用它来创建按需生成数据的迭代器。