Python 迭代器：不是循环本身，而是让循环更优雅的工具

这篇文章将帮助你理解：

• 什么是迭代器（Iterator）？

• 它和我们常用的for 循环、列表有什么区别？

• 为什么说它在处理大数据或惰性求值时更有优势？

• 如何自己实现一个迭代器？

---

一、先来回忆一下：我们平时是怎么“遍历数据”的？

我们在写代码的时候，经常会遇到这样的需求：

“我要依次访问一组数据中的每一个元素。”

比如：

fruits = ["apple", "banana", "cherry"]
for fruit in fruits:
    print(fruit)

这段代码看起来很自然。但你知道吗？其实背后有一个非常重要的机制在起作用——这就是我们今天要讲的主角：迭代器（Iterator）。

---

二、那么问题来了：迭代器到底是什么？

✅ 简单一句话总结：

迭代器是一个对象，它可以记住遍历的位置，并能一步步返回下一个元素。

你可以把它想象成一个“翻页器”：

• 每次调用 .next() 或 next()，它就会给你下一页内容；

• 如果没有更多内容了，它就会抛出一个 StopIteration 异常。

---

✅ 和可迭代对象（Iterable）的区别

名称	中文名	特点
Iterable	可迭代对象	能被 for 遍历的对象，如列表、字符串、字典等
Iterator	迭代器	是一个实现了 .__iter__() 和 .__next__() 的对象

关键点：

所有迭代器都是可迭代对象，但不是所有可迭代对象都是迭代器。

举个例子：

nums = [1, 2, 3]  # 列表是可迭代对象
it = iter(nums)   # iter() 返回一个迭代器

---

三、迭代器的工作原理：它是怎么一步步取数据的？

我们来看一个手动使用迭代器的例子：

fruits = ["apple", "banana", "cherry"]
it = iter(fruits)
print(next(it))  # apple
print(next(it))  # banana
print(next(it))  # cherry
print(next(it))  # 抛出 StopIteration 异常

 这就是迭代器的本质：

• 一次只返回一个元素；

• 记住当前位置；

• 数据用完后自动停止。

---

四、为什么我们要用迭代器？它比普通循环好在哪？

✅ 场景1：节省内存，适合处理大文件或无限数据

假设你要读取一个超大的日志文件，几GB大小。如果你一次性读入内存，电脑可能直接崩溃。

但如果使用迭代器，就可以一行一行地读取，而不是一次性加载全部内容。

with open("huge_log_file.log") as f:
    for line in f:  # f 是一个迭代器
        process(line)  # 逐行处理，不占内存

类比理解：就像看书一样，一页一页看，而不是把整本书拍到脸上。

---

✅ 场景2：支持“惰性求值”（Lazy Evaluation）

有些数据你并不需要一开始就计算出来，而是按需生成。这在函数式编程中非常常见。

例如，我们可以用迭代器实现一个“无限序列”：

import itertools
counter = itertools.count(start=1, step=1)  # 无限计数器for i in counter:
    if i > 10:
        break
    print(i)

输出：

123...10

关键点：这个迭代器并不会真正存储所有数字，而是在你需要时才“生成”它们。

---

五、如何自定义一个迭代器？

Python 允许我们通过定义类的方式，创建自己的迭代器。只需满足两个条件：

1. 实现 __iter__() 方法；

2. 实现 __next__() 方法。

示例：实现一个从 1 到 N 的计数器迭代器

class MyCounter:
    def __init__(self, start=1, end=10):
        self.current = start
        self.end = end

    def __iter__(self):
        return self

    def __next__(self):
        if self.current > self.end:
            raise StopIteration
        else:
            value = self.current
            self.current += 1
            return value

# 使用自定义迭代器
counter = MyCounter()  #注意，不能用counter = MyCounter(1,5)，否则不会走自定义 
for num in counter:
    print(num)

输出：

12345

✅ 总结：

• 自定义迭代器让你拥有对“遍历逻辑”的完全控制；

• 它非常适合用于封装复杂的遍历规则或数据流。

---

六、迭代器 vs 生成器：它们有什么关系？

对比项	迭代器	生成器
创建方式	类 + 实现 __iter__ 和 __next__	函数 + yield
内存占用	更灵活	更简洁
适用场景	复杂控制逻辑	快速构建惰性序列

举个生成器的例子：

def my_generator():
    yield 1
    yield 2
    yield 3

g = my_generator()
for x in g:
    print(x)

输出：

123

生成器本质上也是一个迭代器，但它更简洁、更易用。

---

七、一句话总结

迭代器不是一个循环，而是一种“按需提供数据”的机制。
它让我们的程序更高效、更灵活，尤其适合处理大数据、流式数据或无限序列。

---

八、常见误区澄清

说法	正确理解
所有 for 循环都用了迭代器？	✅ 是的，因为 for 内部会调用 iter()
列表是迭代器？	❌ 不是，列表是可迭代对象，不是迭代器
迭代器只能用一次？	✅ 是的，一旦遍历完成，必须重新获取一个新的迭代器
生成器不是迭代器？	❌ 错，生成器是特殊的迭代器

---

九、延伸阅读建议

如果你想进一步深入学习：

• 学习 itertools 标准库，掌握强大的迭代工具；

• 探索生成器表达式与列表推导式的区别；

• 了解协程（coroutine）与生成器的关系；

• 理解迭代器在异步编程（async/await）中的应用。

---

推荐阅读资源：

• 书籍：

  • 《流畅的 Python》（Luciano Ramalho）

  • 《Python 编程：从入门到实践》

• 工具：

  • Python 官方文档（docs.python.org）

• 实战项目：

  • 用迭代器读取大文件并统计词频

  • 实现一个“网页爬虫”，逐页抓取数据并处理