【Python】迭代器与生成器详解，附代码（可迭代对象、定义、实现方式、区别、使用场景）

文章目录 1. 可迭代对象1.1 常见的可迭代对象1.2 迭代器和生成器 2. 迭代器2.1 定义2.2 原理2.3 特点2.4 示例2.4.1 for语句进行遍历2.4.2 next() 函数进行遍历2.4.3 自定义迭代器 2.5 内置迭代器 3. 生成器3.1 定义3.2 创建方式3.2.1 生成器表达式3.2.2 生成器函数 3.3 特点 4. 迭代器和生成器比较4.1 迭代器优势4.2 生成器优势4.2.1 惰性计算4.2.2 无限序列4.2.3 协程与状态管理 5. 使用场景5.1 迭代器和生成器选择原则

1. 可迭代对象 迭代是 Python 最强大的功能之一，是访问集合元素的一种方式 可迭代对象 ：可以被循环遍历的对象 1.1 常见的可迭代对象 序列类型 列表（list） ：是一种可变的序列类型 元组（tuple） ：是一种不可变的序列类型 字符串（str） ：由字符组成的不可变序列集合类型 集合（set） ：无序且元素唯一的集合类型 字典（dict） ：以键 - 值对形式存储数据的集合类型。在遍历字典时，默认遍历的是键其他可迭代对象 文件对象 ：在 Python 中，打开的文件对象是可迭代的，可以逐行读取文件内容 range() 对象 ：用于生成一个不可变的整数序列 1.2 迭代器和生成器

在 Python 中，迭代器（Iterator） 和 生成器（Generator） 都是用于遍历数据的工具，用于处理可迭代对象

2. 迭代器 2.1 定义

迭代器是实现了迭代器协议的对象，是一个可以记住遍历位置的对象 迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退 迭代器协议要求对象必须实现两个方法：iter() 和 next()

iter() ：返回迭代器对象本身，通常返回 self。 next() ：返回迭代器的下一个值，如果没有元素则抛出 StopIteration 异常 2.2 原理

迭代器是一种 惰性求值 的机制，它并不一次性生成所有元素，而是在需要时 逐个生成元素 ，这样可以节省内存 当你使用 for 循环遍历一个迭代器时，实际上是在不断调用迭代器的 next() 方法，直到抛出 StopIteration 异常

2.3 特点 惰性计算 ：按需生成元素，适合处理大数据集 一次性使用 ：遍历结束后需重新初始化才能再次使用 手动控制 ：需显式调用 next() 或使用 for 循环 2.4 示例 2.4.1 for语句进行遍历

迭代器对象使用常规 for语句 进行遍历

list = [1, 2, 3, 4] it = iter(list) # 创建迭代器对象 for x in it: print(x, end=" ")

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 1 2 3 4

Process finished with exit code 0

2.4.2 next() 函数进行遍历

也可以使用 next() 函数 进行遍历

import sys # 引入 sys 模块 list = [1, 2, 3, 4] it = iter(list) # 创建迭代器对象 while True: try: print(next(it)) except StopIteration: sys.exit()

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 1 2 3 4

Process finished with exit code 0

2.4.3 自定义迭代器

示例：生成 0 到 n 的偶数

class TestIterator: def __init__(self, n): self.n = n self.current = 0 def __iter__(self): return self def __next__(self): if self.current >= self.n: raise StopIteration value = self.current self.current += 2 return value # 使用迭代器 even_iter = TestIterator(6) for num in even_iter: print(num) # 输出: 0 2 4

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 0 2 4

Process finished with exit code 0

注： StopIteration 异常用于标识迭代的完成，防止出现无限循环的情况；在 next() 方法中我们可以设置在完成指定循环次数后触发 StopIteration 异常来结束迭代

2.5 内置迭代器 Python 中的许多内置对象（如列表、元组、字符串等）都可以通过 iter() 函数 转换为迭代器 my_list = [1, 2, 3, 4, 5] my_iterator = iter(my_list) print(next(my_iterator)) # 输出: 1 print(next(my_iterator)) # 输出: 2

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 1 2

Process finished with exit code 0

3. 生成器 3.1 定义 生成器是一种特殊的迭代器，通过 yield 关键字 实现，无需显式定义 iter 和 next 3.2 创建方式 3.2.1 生成器表达式 生成器表达式：类似于列表推导式，但使用 圆括号 () 而不是方括号 [] gen_expr = (x for x in range(0, 6, 2)) print(list(gen_expr)) # 输出: [0, 2, 4]

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py [0, 2, 4]

Process finished with exit code 0

3.2.2 生成器函数 生成器函数： 使用 def 定义，包含 yield 关键字 的函数当函数被调用时，它不会立即执行，而是返回一个生成器对象每次调用生成器的 next() 方法时，函数会从上次暂停的位置继续执行，直到遇到下一个 yield 语句或函数结束 # 生成器函数：生成 0 到 n 的偶数 def test_generator(n): current = 0 while current < n: yield current current += 2 # 使用生成器 gen = test_generator(6) for num in gen: print(num) # 输出: 0 2 4 # test_generator 是一个生成器函数，yield 关键字将函数转换为生成器。 # 每次调用 __next__() 方法时，函数会执行到 yield 语句，返回 yield 后面的值，并暂停执行，下次调用时从暂停的位置继续执行

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 0 2 4

Process finished with exit code 0

3.3 特点 简洁性 ：自动实现迭代器协议，代码更简洁 惰性计算 ：按需生成元素，节省内存 状态保存 ：每次 yield 暂停执行，下次从暂停位置继续 4. 迭代器和生成器比较 \迭代器生成器实现方式需手动定义 iter 和 next使用 yield 或生成器表达式代码复杂度代码较多代码更简洁内存占用通常需预先生成数据惰性生成，节省内存适用场景需要自定义复杂遍历逻辑快速实现按需生成数据性能取决于实现逻辑通常更高（惰性计算优化） 4.1 迭代器优势 需要 完全控制迭代逻辑 （如自定义遍历顺序）需要 复用迭代器对象 （生成器通常只能遍历一次） # 自定义树结构的遍历 # TreeNode 类：构造树结点；每个结点有一个值和一个子节点列表 class TreeNode: def __init__(self, value): self.value = value # 节点存储的值 self.children = [] # 子节点列表，多叉树结构 # TreeIterator 类：实现迭代器，用于遍历树 # __init__方法中，栈被初始化为包含根节点 # _next_方法中，弹出栈顶节点，并将该节点的子节点逆序压入栈中，实现前序遍历(根-左-右) # 栈是后进先出的结构，逆序压栈能保证子节点被按需处理 class TreeIterator: def __init__(self, root): self.stack = [root] # 初始化栈，压入根节点 def __iter__(self): return self def __next__(self): if not self.stack: raise StopIteration # 栈空时结束迭代 node = self.stack.pop() # 弹出栈顶节点 self.stack.extend(node.children[::-1]) # 逆序压栈，实现前序遍历 return node.value # 创建根节点，值为 1 ；添加两个子节点 2 和 3 # 使用迭代器遍历树；按照 根节点、左子节点、右子节点的顺序输出，即 1 2 3 root = TreeNode(1) root.children = [TreeNode(2), TreeNode(3)] for value in TreeIterator(root): print(value) # 输出: 1 2 3

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 1 2 3

Process finished with exit code 0

4.2 生成器优势 4.2.1 惰性计算 按需生成：适用于处理 大文件或无限序列 逐行读取大文件， 避免一次性加载到内存 def read_large_file(file_path): with open(file_path, "r") as file: for line in file: yield line.strip() # 逐行处理文件 for line in read_large_file("data.txt"): process(line) # 假设 process 是处理函数 4.2.2 无限序列 生成器可以表示无限序列，如斐波那契数列 # 使用生成器函数生成斐波那契数列，并将该数列的前 n（这里 n 为 10）项依次打印输出 # !/usr/bin/python3 import sys def fibonacci(n): # 生成器函数 - 斐波那契 a, b, counter = 0, 1, 0 # 初始化三个变量 while True: if (counter > n): return yield a a, b = b, a + b counter += 1 f = fibonacci(10) # f 是一个迭代器，由生成器返回生成 while True: try: print(next(f), end=" ") except StopIteration: sys.exit()

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py 0 1 1 2 3 5 8 13 21 34 55

Process finished with exit code 0

4.2.3 协程与状态管理 生成器可通过 接收外部数据 send() ，用于协程编程 def coroutine(): while True: received = yield print(f"Received: {received}") co = coroutine() next(co) # 启动生成器 co.send("Hello") # 输出: Received: Hello

输出：

D:\PycharmProjects\pythonProject.venv\Scripts\python.exe D:\PycharmProjects\pythonProject-test.py Received: Hello

Process finished with exit code 0

5. 使用场景 大数据处理 send()：当处理大型数据集时，使用迭代器和生成器可以避免一次性将所有数据加载到内存中，提高程序的性能和内存使用效率 无限序列生成 send()：生成器可以方便地生成无限序列，如斐波那契数列等，只需在生成器函数中使用循环和 yield 语句即可 5.1 迭代器和生成器选择原则

迭代器：适合需要精细控制遍历逻辑的场景，需手动实现接口 生成器：适合快速实现惰性计算、处理大数据或无限序列，代码简洁高效 选择原则：

优先使用生成器（更简洁，适合大多数场景） 需要复杂遍历逻辑或复用迭代器时，使用迭代器

如有其他问题，欢迎各位大佬指正~