22、Python深入理解生成器
生成器是python非常独特的特性，在C、Java中完全没有相似或可替代的语法。Python因为GIL的原因，多线程的使用有很大的限制（或性能不佳），所以广泛的要使用协程，而Python协程的基础便是生成器（与goLang的协程不一样），所以在Python中生成器是很多高级语法的基础。
生成器是Python中的一种特殊类型的迭代器，允许你逐个生成值而不需要一次性地在内存中存储所有值。使用yield语句来生成一个值序列，而不是像普通函数那样一次性返回一个完整的列表。
生成器函数是一个使用yield关键字的函数，而不是return。每次调用生成器函数时，它会返回一个值，然后暂停并保存其当前状态，以便下次调用时可以从暂停的位置继续执行。
如何创建生成器？
- 生成器表达式：形式和 列表推导式 类似，只不过将中括号 [] 替换成了小括号 ()。
generator = (x * x for x in range(8))
print(type(generator)) #
for i in generator:
print(i) # 0,1,4,9,16,25,36,49 - 生成器函数
def createNum():
for x in range(8):
yield x * x
g = createNum()
print(type(g)) #
for i in g:
print(i) # 0,1,4,9,16,25,36,49 生成器和迭代器的区别
我们会发现生成器的功能和迭代器非常类似，那他们到底有什么区别？
定义方式：迭代器是实现了迭代器协议（即__iter__()和__next__()方法）的对象；生成器则是使用了yield关键字的函数，当这个函数被调用时，它返回一个生成器对象。
状态保存：生成器在每次产生一个值后会自动保存当前的状态，下次调用时会从上次离开的地方继续执行；而迭代器则不会自动保存状态，它依赖于用户显式地请求下一个值。
内存使用：生成器在迭代过程中只会生成当前需要的值，而不是一次性生成所有的值，所以它可以处理大数据集，而不会耗尽内存；而迭代器则可能需要一次性生成所有的值。
重复使用：迭代器可以被多次迭代，每次迭代都会从头开始；而生成器只能被迭代一次，因为它不保存整个序列，只保存当前的状态。
灵活性：生成器更加灵活，可以使用任何种类的控制流语句；而迭代器则需要在__next__()方法中实现所有的控制流逻辑。
迭代器使用场景：
- 遍历文件的每一行，而不需要将整个文件加载到内存中。
- 实现自定义的数据结构，如链表、树等，并提供迭代功能。
- 与数据库交互时，逐行获取查询结果，而不是一次性获取所有结果。
生成器使用场景：
- 创建一个无限的数值序列，如斐波那契数列。
- 实现协程（coroutine），用于编写异步代码。
- 在处理大数据时，按需生成和处理数据块，以减少内存占用。
send方法
generator.send(value)- generator是生成器对象。
- value是要发送给生成器的值
send()函数是用于与生成器进行交互的一种方法。send()函数会将值发送给生成器，并将该值作为yield表达式的结果。同时，生成器会从上一次暂停的地方继续执行，并执行到下一个yield语句或函数结束。
当首次调用生成器时，必须使用next()函数来启动生成器，或者使用send(None)，将None作为参数发送给生成器。这是因为生成器在第一次调用时需要被激活，以准备接收来自send()函数的值。
利用生成器对象实现协程
coroutine是一个生成器函数，它使用yield关键字来挂起执行并等待外部事件或数据。首次使用next()来激活它，然后通过send()方法向协程发送数据。每次调用send()都会导致协程接收数据，处理它，并再次挂起，直到协程结束或者再次被激活。
from time import sleep
def coroutine():
while True:
# 生成器挂起
received = yield
print(f"Received: {received}")
c = coroutine()
# 首次调用next()激活协程，但不传入值
next(c)
# 向协程发送数据，协程将处理这些数据
c.send("Hello")
sleep(1)
c.send("World")