最近在跟一个系列,
难度和篇幅比较合适我这样的懒人。
敲下代码,作下注释,看看输出,就蛮好。
https://www.cnblogs.com/wongbingming/p/9095243.html
import collections from collections.abc import Iterable, Iterator, Generator from inspect import getgeneratorstate """ 借助collections.abc这个模块, 使用isinstance()来类别一个对象是否是可迭代的(Iterable), 是否是迭代器(Iterator), 是否是生成器(Generator)。 """ astr = "XiaoMing" print("String: {}".format(astr)) print(isinstance(astr, Iterable)) print(isinstance(astr, Iterator)) print(isinstance(astr, Generator)) # String: XiaoMing # True # False # False """ 从结果来看,这些可迭代对象都不是迭代器,也不是生成器。 它们有一个共同点,就是它们都可以使用for来循环。 """ alist = [21, 45, 65, 78] print("List: {}".format(alist)) print(isinstance(alist, Iterable)) print(isinstance(alist, Iterator)) print(isinstance(alist, Generator)) # List: [21, 45, 65, 78] # True # False # False adict = {'name': "xiaoming", 'age': 18} print("Dict: {}".format(adict)) print(isinstance(adict, Iterable)) print(isinstance(adict, Iterator)) print(isinstance(adict, Generator)) # Dict: {'name': 'xiaoming', 'age': 18} # True # False # False """ 可迭代对象,是其内部实现了,__iter__ 这个魔术方法。 可以通过,dir()方法来查看是否有__iter__来判断一个变量是否是可迭代的。 """ adeque = collections.deque('abcdefg') print("deque: {}".format(adeque)) print(isinstance(adeque, Iterable)) print(isinstance(adeque, Iterator)) print(isinstance(adeque, Generator)) # deque: deque(['a', 'b', 'c', 'd', 'e', 'f', 'g']) # True # False # False """ 对比可迭代对象,迭代器其实就只是多了一个函数而已。 就是__next__(),我们可以不再使用for循环来间断获取元素值。 而可以直接使用next()方法来实现。 可以通过,dir()方法来查看是否有__next__来判断一个变量是否是迭代器的 """ aIterator = iter(astr) print("aIterator: {}".format(aIterator)) print(isinstance(aIterator, Iterable)) print(isinstance(aIterator, Iterator)) print(isinstance(aIterator, Generator)) # aIterator: <str_iterator object at 0x00000000023F5358> # True # True # False """ 而生成器,则是在迭代器的基础上(可以用for循环,可以使用next()),再实现了yield。 yield 是什么东西呢,它相当于我们函数里的return。 在每次next(),或者for遍历的时候, 都会yield这里将新的值返回回去,并在这里阻塞,等待下一次的调用。 正是由于这个机制,才使用生成器在Python编程中大放异彩。 实现节省内存,实现异步编程。 可迭代对象和迭代器,是将所有的值都生成存放在内存中, 而生成器则是需要元素才临时生成,节省时间,节省空间。 """ aGenerator = (x*x for x in range(10)) print("aGenerator: {}".format(aGenerator)) print(isinstance(aGenerator, Iterable)) print(isinstance(aGenerator, Iterator)) print(isinstance(aGenerator, Generator)) # aGenerator: <generator object <genexpr> at 0x0000000002727FC0> # True # True # True """ 由于生成器并不是一次生成所有元素,而是一次一次的执行返回, 那么如何刺激生成器执行(或者说激活)呢? 激活主要有两个方法 使用next() 使用generator.send(None) 通过交替执行,说明这两种方法是等价的。 """ gen = aGenerator print(gen.send(None)) print(next(gen)) print(gen.send(None)) print(next(gen)) print(gen.send(None)) print(next(gen)) # 0 # 1 # 4 # 9 # 16 # 25 """ 生成器在其生命周期中,会有如下四个状态 GEN_CREATED # 等待开始执行 GEN_RUNNING # 解释器正在执行(只有在多线程应用中才能看到这个状态) GEN_SUSPENDED # 在yield表达式处暂停 GEN_CLOSED # 执行结束 在生成器工作过程中, 若生成器不满足生成元素的条件, 就会/应该 抛出异常(StopIteration)。 我们在自己定义一个生成器的时候, 我们也应该在不满足生成元素条件的时候,抛出异常。 """ def mygen(n): now = 0 while now < n: yield now now += 1 # 抛出异常 raise StopIteration gen2 = mygen(2) print(getgeneratorstate(gen2)) print(next(gen2)) print(getgeneratorstate(gen2)) print(next(gen2)) gen2.close() print(getgeneratorstate(gen2)) # GEN_CREATED # 0 # GEN_SUSPENDED # 1 # GEN_CLOSED """ 协程和线程,有相似点,多个协程之间和线程一样,只会交叉串行执行; 也有不同点,线程之间要频繁进行切换,加锁,解锁, 从复杂度和效率来看,和协程相比,这确是一个痛点。 协程通过使用 yield 暂停生成器, 可以将程序的执行流程交给其他的子程序, 从而实现不同子程序的之间的交替执行。 """ def jumping_range(N): index = 0 while index < N: # yield index 是将index return给外部调用程序。 # jump = yield 可以接收外部程序通过send()发送的信息,并赋值给jump jump = yield index if jump is None: jump = 1 index += jump # 抛出异常 raise StopIteration itr = jumping_range(5) print(next(itr)) print(itr.send(2)) print(itr.send(-1)) print(itr.send(None)) print(next(itr)) print(itr.send(-2)) print(next(itr)) # 0 # 2 # 1 # 2 # 3 # 1 # 2 """ yield from后面加上可迭代对象, 他可以把可迭代对象里的每个元素一个一个的yield出来, 对比yield来说代码更加简洁,结构更加清晰。 """ def gen3(*args, **kwargs): for item in args: yield from item new_list = gen3(astr, alist, adict, aGenerator) print(list(new_list)) # ['X', 'i', 'a', 'o', 'M', 'i', 'n', 'g', 21, 45, 65, 78, 'name', 'age', 36, 49, 64, 81] # 子生成器 def average_gen(): total = 0 count = 0 average = 0 while True: # 子生成器yield的值,直接返回给调用方。 new_num = yield average if new_num is None: break count += 1 total += new_num average = total/count # 每一次return,都意味着当前协程结束。 return total, count, average # 委托生成器 # 作用是:在调用方与子生成器之间建立一个双向通道。 def proxy_gen(): while True: # 只有子生成器要结束(return)了, # yield from左边的变量才会被赋值,后面的代码才会执行。 total, count, average = yield from average_gen() print("计算完毕!!\n总共传入 {} 个数值, 总和:{},平均数:{}" .format(count, total, average)) # 调用方 def main_gen(): calc_average = proxy_gen() next(calc_average) # 调用方可以通过send()直接发送消息给子生成器 print(calc_average.send(10)) print(calc_average.send(20)) print(calc_average.send(30)) calc_average.send(None) # 结束协程 # 如果此处再调用calc_average.send(10),由于上一协程已经结束,将重开一协程 main_gen() # 10.0 # 15.0 # 20.0 # 计算完毕!! # 总共传入 3 个数值, 总和:60,平均数:20.0