Python基础-day8：迭代器和生成器的区别及其各自实现方式和使用场景

1. 迭代器

        迭代器提供了一种惰性（lazy evaluation）获取数据的方法，使得我们能够逐步访问序列中的元素，而无需一次性加载所有数据。其主要优点包括节省内存、提高性能、支持自定义遍历逻辑等。

1.1 实现协议

• __iter__()：返回自身。
• __next__()：返回下一个元素；如果没有更多元素，则抛出 StopIteration 异常。

注意：

        可迭代对象（Iterable）与迭代器不同：

• 可迭代对象实现 __iter__() 方法，返回一个迭代器。
• 迭代器既实现 __iter__() 又实现 __next__()。

1.2 迭代器的创建

class MyRange:
    def __init__(self, stop):
        self.stop = stop
        self.current = 0

    def __iter__(self):
        return self  # 返回自身作为迭代器

    def __next__(self):
        if self.current < self.stop:
            value = self.current
            self.current += 1
            return value
        else:
            raise StopIteration  # 结束迭代

# 使用示例
for num in MyRange(3):
    print(num)  # 输出: 0, 1, 2

1.3 可复用迭代器和一次性迭代器

1.3.1 一次性迭代器（如内置 map、filter、zip等）

• 当数据只需要被遍历一次时，比如在数据预处理阶段，对一系列数据进行某种转换（如使用map函数将列表中的每个元素都转换为平方数），一次性迭代器可以节省内存，因为它不需要保存额外的状态来支持多次从头遍历。
• 处理流式数据，例如从网络套接字或文件中逐行读取数据，每一行数据处理完就不再需要回头重新处理，使用一次性迭代器可以简化处理流程。

data = [1, 2, 3]
square_iter = map(lambda x: x**2, data)

print(list(square_iter))  # 输出: [1, 4, 9]
print(list(square_iter))  # 输出: []（已耗尽）

1.3.2 可复用迭代器（通过 __iter__ 返回新实例）

• 在需要多次遍历相同数据的算法中，比如排序算法中，可能需要多次比较和遍历数据来确定最终的顺序，可复用迭代器就可以避免重复创建迭代器的开销。
• 当需要在不同的处理步骤中对同一组数据进行操作时，可复用迭代器可以方便地在不同步骤之间共享和使用数据，而无需重新构建迭代器。

class ReusableRange:
    def __init__(self, stop):
        self.stop = stop

    def __iter__(self):
        return MyRange(self.stop)  # 每次返回新的迭代器实例

class MyRange:
    def __init__(self, stop):
        self.stop = stop
        self.current = 0
    # __next__ 方法同上...

r = ReusableRange(3)
print(list(r))  # 输出: [0, 1, 2]
print(list(r))  # 可再次使用，输出: [0, 1, 2]

2. 生成器

        生成器是一种特殊的迭代器，通过函数定义，用 yield 语句生成值。生成器可以自动实现迭代协议，无需手动实现 __iter__() 和 __next__()。

2.1 表达式

yield：暂停函数执行并返回值，保留函数的状态，以便下一次继续执行。

def my_range(stop):
    current = 0
    while current < stop:
        yield current  # 暂停执行并返回值
        current += 1

# 使用示例
for num in my_range(3):
    print(num)  # 输出: 0, 1, 2

简洁写法：

gen = (x**2 for x in range(3))  # 创建生成器
print(next(gen))  # 输出: 0
print(next(gen))  # 输出: 1

3. 直观化展现

对比维度	迭代器（Iterator）	生成器（Generator）
定义本质	实现 __iter__() + __next__() 方法的对象	使用 yield 关键字的函数 / 表达式（生成器函数 / 生成器表达式）
状态管理	需手动维护状态（如计数器、指针等，通过类属性记录）	自动维护状态（暂停 / 恢复执行，依托 Python 解释器内部机制）
语法复杂度	较高（需编写类，实现双魔法方法）	较低（类似普通函数，用 yield 替代 return 即可）
内存效率	若逻辑不当，可能一次性加载大量数据（如直接返回列表全部元素）	惰性计算（按需生成，逐个产出结果，内存占用稳定）
实现方式	类 + __iter__()/__next__()（需显式抛出 StopIteration）	生成器函数（yield 关键字）或生成器表达式（(x for x in ...)）
典型应用场景	遍历自定义容器（如树、图结构，需精细控制遍历逻辑）	处理大文件 / 无限流（如逐行读 GB 级文件、生成无限序列）、简化复杂迭代逻辑
核心语法差异	依赖类与魔法方法实现迭代协议	依赖 yield 关键字实现 “暂停 - 恢复” 机制
性能与使用偏好	适合需深度定制迭代逻辑的场景，但代码冗余	优先推荐！内存友好、语法简洁，覆盖 80%+ 迭代场景，仅复杂容器遍历需迭代器补位

4. 一句话总结

        迭代器是 “硬核自定义工具”，适合精细控制容器遍历；生成器是 “高效懒人神器”，用极简语法实现惰性迭代，日常开发优先选生成器，复杂场景再用迭代器兜底 。