1 什么是迭代器
迭代器指的是迭代取值的工具，迭代是一个重复的过程，每次重复
都是基于上一次的结果而继续的，单纯的重复并不是迭代
2 为何要有迭代器
迭代器是用来迭代取值的工具，而涉及到把多个值循环取出来的类型
有：列表、字符串、元组、字典、集合、打开文件
l=['admin','manager','boss']
i=0
while i < len(l):
print(l[i])
i+=1
上述迭代取值的方式只适用于有索引的数据类型：列表、字符串、元组
为了解决基于索引迭代器取值的局限性
Python必须提供一种能够不依赖于索引的取值方式，这就是迭代器
3 如何用迭代器
1、可迭代的对象：但凡内置有__iter__方法的都称之为可迭代的对象
s1=''
# s1.__iter__()
l=[]
# l.__iter__()
t=(1,)
# t.__iter__()
d={'a':1}
# d.__iter__()
set1={1,2,3}
# set1.__iter__()
with open('a.txt',mode='w') as f:
# f.__iter__()
pass
整型和浮点型是没有__iter__方法的, 不是可迭代对象
2、调用可迭代对象下的__iter__方法会将其转换成迭代器对象(可迭代对象可以理解为可以转换成迭代器的对象)
d={'a':1,'b':2,'c':3}
d_iterator=d.__iter__()
print(d_iterator)
<dict_keyiterator object at 0x0000021CC54B4CC0>
print(d_iterator.__next__()) >> a
print(d_iterator.__next__()) >> b
print(d_iterator.__next__()) >> c
print(d_iterator.__next__()) >> print(d_iterator.__next__())
StopIteration # 取值取完了
捕捉异常, 捕捉到就结束循环
while True:
try:
print(d_iterator.__next__())
except StopIteration:
break
迭代器问题1: 在一个迭代器取值取干净的情况下，再对其取值取不到
d={'a':1,'b':2,'c':3}
d_iterator=d.__iter__() # 先把可迭代对象, 转换成迭代器对象
while True:
try:
print(d_iterator.__next__())
except StopIteration:
break
print('====>>>>>>') # 对同一个迭代器取值取干净的情况下，再对其取值取不到
d_iterator=d.__iter__() # 除非重新构建一个迭代器
while True:
try:
print(d_iterator.__next__())
except StopIteration:
break
>>
a
b
c
====>>>>>>
Process finished with exit code 0
对于有索引的数据类型, 也可以用迭代器取值
l=[1,2,3,4,5]
l_iterator=l.__iter__()
while True:
try:
print(l_iterator.__next__())
except StopIteration:
break
总结: 有了迭代器后, 对于有索引和没有索引的数据类型, 都可以用迭代器统一取值
迭代器问题2: 结合while循环, 调iter方法把数据转换成迭代器版本, 需要手动转换并且还要捕捉异常, 十分繁琐 >> for循环就是用来解决迭代器繁琐的方案
3、可迭代对象与迭代器对象详解
3.1 可迭代对象（"可以转换成迭代器的对象"）：内置有__iter__方法对象
可迭代对象.__iter__(): 得到迭代器对象
3.2 迭代器对象：内置有__next__方法并且内置有__iter__方法的对象
迭代器对象.__next__（）：得到迭代器的下一个值
迭代器对象.__iter__（）：得到迭代器的本身，说白了调了跟没调一个样子
dic={'a':1,'b':2,'c':3}
dic_iterator=dic.__iter__()
print(dic_iterator is dic_iterator.__iter__().__iter__().__iter__())
>> True
之所以对于迭代器对象也创建了__iter__方法, 是为了是for循环在工作时能统一
无论for循环的是可迭代对象, 还是迭代器对象, 都使用__iter__方法, 如果是可迭代对象, 就转换成迭代器对象, 如果是迭代器对象, 那么调__iter__方法相当于没调, 结果还是迭代器对象
4、可迭代对象：字符串、列表、元组、字典、集合、文件对象
迭代器对象：文件对象
s1=''
s1.__iter__()
l=[]
l.__iter__()
t=(1,)
t.__iter__()
d={'a':1}
d.__iter__()
set1={1,2,3}
set1.__iter__()
with open('a.txt',mode='w') as f:
f.__iter__()
f.__next__()
5、for循环的工作原理：for循环可以称之为叫迭代器循环
d={'a':1,'b':2,'c':3}
1、d.__iter__()得到一个迭代器对象
2、迭代器对象.__next__()拿到一个返回值，然后将该返回值赋值给k
3、循环往复步骤2，直到抛出StopIteration异常for循环会捕捉异常然后结束循环
for k in d:
print(k)
注意: 可迭代对象并不一定是迭代器对象, 但是迭代器对象一定是可迭代对象. 要看有没有要求的方法
可迭代对象.__iter__(): 得到迭代器对象
迭代器对象：内置有__next__方法并且内置有__iter__方法的对象
迭代器对象.__next__（）：得到迭代器的下一个值
迭代器对象.__iter__（）：得到迭代器的本身，说白了调了跟没调一个样子
补充: list() 和 set()
list('hello')也是和for循环原理一样, 三步骤
range()在Python3中是可迭代对象, 不是迭代器对象
.keys()在Python3中是可迭代对象, 不是迭代器对象
6、迭代器优缺点总结
6.1 缺点：
I、为序列和非序列类型提供了一种统一的迭代取值方式。
II、惰性计算：迭代器对象表示的是一个数据流，可以只在需要时才去调用next来计算出一个值，就迭代器本身来说，同一时刻在内存中只有一个值，因而可以存放无限大的数据流，而对于其他容器类型，如列表，需要把所有的元素都存放于内存中，受内存大小的限制，可以存放的值的个数是有限的。
6.2 缺点：
I、除非取尽，否则无法获取迭代器的长度
II、只能取下一个值，不能回到开始，更像是‘一次性的’，迭代器产生后的唯一目标就是重复执行next方法直到值取尽，否则就会停留在某个位置，等待下一次调用next；若是要再次迭代同个对象，你只能重新调用iter方法去创建一个新的迭代器对象，如果有两个或者多个循环使用同一个迭代器，必然只会有一个循环能取到值。
4 生成器
如何得到自定义的迭代器：
在函数内一旦存在yield关键字，调用函数并不会执行函数体代码
会返回一个生成器对象，生成器即自定义的迭代器
def func():
print('第一次')
yield 1
print('第二次')
yield 2
print('第三次')
yield 3
print('第四次')
g=func()
print(g)
>> <generator object func at 0x0000026D5BD13AC0>
生成器就是迭代器
g.__iter__()
g.__next__()
g.__next__()会触发函数体代码的运行，然后遇到yield停下来，将yield后的值
当做本次调用的结果返回
def func():
print('第一次')
yield 1
print('第二次')
yield 2
print('第三次')
yield 3
print('第四次')
g=func()
res1=g.__next__() >> 第一次
print(res1) >> 1
执行到yield1, 函数会被暂停, 再次执行g.__next__(), 会重启函数的执行
def func():
print('第一次')
yield 1
print('第二次')
yield 2
print('第三次')
yield 3
print('第四次')
g=func()
res1=g.__next__() # 第一次
print(res1) >> 1
res2=g.__next__() # 第二次
print(res1) >> 2
res3=g.__next__() # 第三次
print(res1) >> 3
此时, 如果再次执行g.__next__(), 由于没有yield, 那也就没有返回值, 会直接报错
res4=g.__next__()
res4=g.__next__()
StopIteration
补充:
len('aaa') = 'aaa'.__len__()
next(g) = g.__next__()
iter(可迭代对象) = 可迭代对象.__iter__()
生成器应用案例
def my_range(start,stop,step=1):
# print('start...')
while start < stop:
yield start
start+=step
# print('end....')
# g=my_range(1,5,2) # 1 3
# print(next(g))
# print(next(g))
# print(next(g))
for n in my_range(1,7,2):
print(n)
自定义的迭代器本身就是一段函数体代码, 本身是没有值得, 只占用很小一部分内存, 但是可以用来生成无穷多个值.
def add():
count = 0
while True:
yield count
count += 1
g=add() # g就是一个迭代器, 每次执行next功能, 才生成新的值
print(next(g))
