一篇文章彻底搞懂Python中可迭代(Iterable)、迭代器(Iterator)与生成器(Generator)的概念

时间:2022-09-14 14:08:06

前言

在python中可迭代(iterable)、迭代器(iterator)和生成器(generator)这几个概念是经常用到的,初学时对这几个概念也是经常混淆,现在是时候把这几个概念搞清楚了。

0x00 可迭代(iterable)

简单的说,一个对象(在python里面一切都是对象)只要实现了只要实现了__iter__()方法,那么用isinstance()函数检查就是iterable对象;

例如

?
1
2
3
4
5
6
7
8
class iterobj:
 
 def __iter__(self):
  # 这里简单地返回自身
  # 但实际情况可能不会这么写
  # 而是通过内置的可迭代对象来实现
  # 下文的列子中将会展示
  return self

上面定义了一个类iterobj并实现了__iter__()方法,这个就是一个可迭代(iterable)对象

?
1
2
3
4
it = iterobj()
print(isinstance(it, iterable)) # true
print(isinstance(it, iterator)) # false
print(isinstance(it, generator)) # false

记住这个类,下文我们还会看到这个类的定义。

常见的可迭代对象

在python中有哪些常见的可迭代对象呢?

  • 集合或序列类型(如list、tuple、set、dict、str)
  • 文件对象
  • 在类中定义了__iter__()方法的对象,可以被认为是 iterable对象,但自定义的可迭代对象要能在for循环中正确使用,就需要保证__iter__()实现必须是正确的(即可以通过内置iter()函数转成iterator对象。关于iterator下文还会说明,这里留下一个坑,只是记住iter()函数是能够将一个可迭代对象转成迭代器对象,然后在for中使用)
  • 在类中实现了如果只实现__getitem__()的对象可以通过iter()函数转化成迭代器但其本身不是可迭代对象。所以当一个对象能够在for循环中运行,但不一定是iterable对象。

关于第1、2点我们可以通过以下来验证

?
1
2
3
4
5
6
7
8
9
print(isinstance([], iterable)) # true list 是可迭代的
print(isinstance({}, iterable)) # true 字典是可迭代的
print(isinstance((), iterable)) # true 元组是可迭代的
print(isinstance(set(), iterable)) # true set是可迭代的
print(isinstance('', iterable)) # true 字符串是可迭代的
 
currpath = os.path.dirname(os.path.abspath(__file__))
with open(currpath+'/model.py') as file:
 print(isinstance(file, iterable)) # true

我们再来看第3点,

?
1
2
3
4
print(hasattr([], "__iter__")) # true
print(hasattr({}, "__iter__")) # true
print(hasattr((), "__iter__")) # true
print(hasattr('', "__iter__")) # true

这些内置集合或序列对象都有__iter__属性,即他们都实现了同名方法。但这个可迭代对象要在for循环中被使用,那么它就应该能够被内置的iter()函数调用并转化成iterator对象。

例如,我们看内置的可迭代对象

?
1
2
3
4
print(iter([])) # <list_iterator object at 0x110243f28>
print(iter({})) # <dict_keyiterator object at 0x110234408>
print(iter(())) # <tuple_iterator object at 0x110243f28>
print(iter('')) # <str_iterator object at 0x110243f28>

它们都相应的转成了对应的迭代器(iterator)对象。

现在回过头再看看一开始定义的那个iterobj类

?
1
2
3
4
5
6
7
class iterobj:
 
 def __iter__(self):
  return self
  
it = iterobj()
print(iter(it))

我们使用了iter()函数,这时候将再控制台上打印出以下信息:

traceback (most recent call last):
  file "/users/mac/pycharmprojects/iterable_iterator_generator.py", line 71, in <module>
    print(iter(it))
typeerror: iter() returned non-iterator of type 'iterobj'

出现了类型错误,意思是iter()函数不能将‘非迭代器'类型转成迭代器。

那如何才能将一个可迭代(iterable)对象转成迭代器(iterator)对象呢?

我们修改一下iterobj类的定义

?
1
2
3
4
5
6
7
class iterobj:
 
 def __init__(self):
  self.a = [3, 5, 7, 11, 13, 17, 19]
 
 def __iter__(self):
  return iter(self.a)

我们在构造方法中定义了一个名为a的列表,然后还实现了__iter__()方法。

修改后的类是可以被iter()函数调用的,即也可以在for循环中使用

?
1
2
3
4
5
6
7
it = iterobj()
print(isinstance(it, iterable)) # true
print(isinstance(it, iterator)) # false
print(isinstance(it, generator)) # false
print(iter(it)) # <list_iterator object at 0x102007278>
for i in it:
 print(i) # 将打印3、5、7、11、13、17、19元素

因此在定义一个可迭代对象时,我们要非常注意__iter__()方法的内部实现逻辑,一般情况下,是通过一些已知的可迭代对象(例如,上文提到的集合、序列、文件等或其他正确定义的可迭代对象)来辅助我们来实现

关于第4点说明的意思是iter()函数可以将一个实现了__getitem__()方法的对象转成迭代器对象,也可以在for循环中使用,但是如果用isinstance()方法来检测时,它不是一个可迭代对象。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
class iterobj:
 
 def __init__(self):
  self.a = [3, 5, 7, 11, 13, 17, 19]
 
 def __getitem__(self, i):
  return self.a[i]
  
it = iterobj()
print(isinstance(it, iterable)) # false
print(isinstance(it, iterator)) # false
print(isinstance(it, generator)) false
print(hasattr(it, "__iter__")) # false
print(iter(it)) # <iterator object at 0x10b231278>
 
for i in it:
 print(i) # 将打印出3、5、7、11、13、17、19

这个例子说明了可以在for中使用的对象,不一定是可迭代对象。

现在我们做个小结:

  • 一个可迭代的对象是实现了__iter__()方法的对象
  • 它要在for循环中使用,就必须满足iter()的调用(即调用这个函数不会出错,能够正确转成一个iterator对象)
  • 可以通过已知的可迭代对象来辅助实现我们自定义的可迭代对象。
  • 一个对象实现了__getitem__()方法可以通过iter()函数转成iterator,即可以在for循环中使用,但它不是一个可迭代对象(可用isinstance方法检测())

0x01 迭代器(iterator)

上文很多地方都提到了iterator,现在我们把这个坑填上。

当我们对可迭代的概念了解后,对于迭代器就比较好理解了。

一个对象实现了__iter__()和__next__()方法,那么它就是一个迭代器对象。 例如

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
class iterobj:
 
 def __init__(self):
  self.a = [3, 5, 7, 11, 13, 17, 19]
 
  self.n = len(self.a)
  self.i = 0
 
 def __iter__(self):
  return iter(self.a)
 
 def __next__(self):
  while self.i < self.n:
   v = self.a[self.i]
   self.i += 1
   return v
  else:
   self.i = 0
   raise stopiteration()

在iterobj中,构造函数中定义了一个列表a,列表长度n,索引i。

?
1
2
3
4
5
6
it = iterobj()
print(isinstance(it, iterable)) # true
print(isinstance(it, iterator)) # true
print(isinstance(it, generator)) # false
print(hasattr(it, "__iter__")) # true
print(hasattr(it, "__next__")) # true

我们可以发现上文提到的

集合和序列对象是可迭代的但不是迭代器

?
1
2
3
4
5
print(isinstance([], iterator)) # false
print(isinstance({}, iterator)) # false
print(isinstance((), iterator)) # false
print(isinstance(set(), iterator)) # false
print(isinstance('', iterator)) # false

而文件对象是迭代器

?
1
2
3
currpath = os.path.dirname(os.path.abspath(__file__))
with open(currpath+'/model.py') as file:
 print(isinstance(file, iterator)) # true

一个迭代器(iterator)对象不仅可以在for循环中使用,还可以通过内置函数next()函数进行调用。 例如

?
1
2
3
it = iterobj()
next(it) # 3
next(it) # 5

0x02 生成器(generator)

现在我们来看看什么是生成器?

一个生成器既是可迭代的也是迭代器

定义生成器有两种方式:

  • 列表生成器
  • 使用yield定义生成器函数

先看第1种情况

?
1
2
3
4
5
6
7
8
g = (x * 2 for x in range(10)) # 0~18的偶数生成器
print(isinstance(g, iterable)) # true
print(isinstance(g, iterator)) # true
print(isinstance(g, generator)) # true
print(hasattr(g, "__iter__")) # true
print(hasattr(g, "__next__")) # true
print(next(g)) # 0
print(next(g)) # 2

列表生成器可以不需要消耗大量的内存来生成一个巨大的列表,只有在需要数据的时候才会进行计算。

再看第2种情况

?
1
2
3
def gen():
 for i in range(10):
  yield i

这里yield的作用就相当于return,这个函数就是顺序地返回[0,10)的之间的自然数,可以通过next()或使用for循环来遍历。

当程序遇到yield关键字时,这个生成器函数就返回了,直到再次执行了next()函数,它就会从上次函数返回的执行点继续执行,即yield退出时保存了函数执行的位置、变量等信息,再次执行时,就从这个yield退出的地方继续往下执行。

在python中利用生成器的这些特点可以实现协程。协程可以理解为一个轻量级的线程,它相对于线程处理高并发场景有很多优势。

看下面一个用协程实现的生产者-消费者模型

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
def producer(c):
 n = 0
 while n < 5:
  n += 1
  print('producer {}'.format(n))
  r = c.send(n)
  print('consumer return {}'.format(r))
 
 
def consumer():
 r = ''
 while true:
  n = yield r
  if not n:
   return
  print('consumer {} '.format(n))
  r = 'ok'
 
 
if __name__ == '__main__':
 c = consumer()
 next(c) # 启动consumer
 producer(c)

这段代码执行效果如下

producer 1
consumer 1
producer return ok
producer 2
consumer 2
producer return ok
producer 3
consumer 3
producer return ok

协程实现了cpu在两个函数之间进行切换从而实现并发的效果。

0x04 引用

docs.python.org/3.7/

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对服务器之家的支持。

原文链接:https://juejin.im/post/5ccafbf5e51d453a3a0acb42