在Python中，这种一边循环一边计算生成的机制，称为 生成器 ：generator。

生成器的好处是延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。

1.典型的生成器：元组生成式。

a = (i for i in range(10))
print(a)
# 返回值：
# <generator object <genexpr> at 0x000001F26FE87BF8>

通过 next() 函数获得 generator 的下一个返回值:

a = (i for i in range(3))

next(a)
# 返回值：0
next(a)
# 返回值：1
next(a)
# 返回值：2

但是当 next() 执行的次数超过范围时（因为 generator 保存的是算法），会抛出 StopIteration 异常：

next(a)
# 再次执行 next() 时，抛出了异常。
"""
Traceback (most recent call last):
  File "<input>", line 1, in <module>
StopIteration
"""

因为 generator 也是可迭代对象

from collections import Iterable

# 定义一个生成器
a = (i for i in range(3))

# 判断生成器的数据是否为可迭代对象
res = isinstance(a, Iterable)
print(res)
# 返回值：True
# 说明 generator 是可迭代对象。

故使用for循环解决上述抛出的异常：

g = (x * x for x in range(5))
for n in g:
    print(n)
# 返回值
"""
0
1
4
9
16
"""

2.函数式生成器

上述的生成器是使用元组生成式实现的，其推算的算法比较简单。当遇到比较复杂的算法时，可以使用函数来实现，以 斐波拉契数列 来理解。

**著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到 **

普通函数实现如下

def fib(num):
    val1, val2 = 0, 1
    for i in range(num):
        # 这是优化写法，要消化
        val1, val2 = val2, val1 + val2
        print(val2)
        
fel(5)
"""
1
2
3
5
8
"""

仅需将上述代码中的第 6 行 print() 换成 yield 关键字，就将此函数变成了生成器。代码如下

def fib(num):
    val1, val2 = 0, 1
    for i in range(num):
        val1, val2 = val2, val1 + val2
        yield val2
        
print(fib(5))

# 返回值，表明其为生成器：
# <generator object fel at 0x00000253862EB518>

generator 和函数的执行流程不一样，在每次执行调用 next() 时,遇到 yield 语句则返回。再次执行next()时从上次返回的 yield 语句处继续执行。

这个对于理解 yield 关键字的作用，很重要！很重要！很重要！

使用 for 循环迭代该生成器获取下一个返回值：

a = fib(5)
for i in a:
    print(i)

生成器的缺点

生成器被只能被遍历一次。以下代码中的 .join() 函数已经遍历了一次生成器，再次调用发现没有返回值。

但是测试发现

• 此处将第 6 行注释掉，直接，将第7行和第9行的变量a 换为 fileOpt() ，能被多次遍历。

def fileOpt():
    with open('testProxy.py', 'r',encoding='utf8') as f:
        for line in f:
            yield line
            
a = fileOpt()
print('sum','.'.join(a))

for i in a:
    print(i)