为什么需要迭代器和生成器？¶
在Python中处理数据时，我们经常会遇到这样的问题：如果数据量很大（比如几GB的文件、海量的日志记录），或者数据是“无限”的（比如不断接收的传感器数据），直接把所有数据加载到内存中会导致程序崩溃，或者运行得非常缓慢。这时候，迭代器和生成器就能派上用场了——它们可以“按需”生成数据，而不是一次性加载所有内容到内存，从而节省内存并提高效率。
一、迭代器：逐个“吐出”数据的对象¶
什么是迭代器？
迭代器是一个“数据访问接口”，它能让你逐个获取数据集合中的元素，而且只能向前迭代（不能后退）。它必须实现两个核心方法：
- __iter__()：返回迭代器对象本身（让for循环能识别它是可迭代的）。
- __next__()：返回下一个元素，如果没有更多元素，会抛出StopIteration异常。
如何创建和使用迭代器？
Python中，几乎所有可迭代对象（如列表、元组、字符串、字典等）都可以通过iter()函数转换为迭代器。例如：
# 定义一个列表
my_list = [1, 2, 3, 4]
# 将列表转换为迭代器
my_iter = iter(my_list)
# 逐个获取元素
print(next(my_iter)) # 输出：1
print(next(my_iter)) # 输出：2
print(next(my_iter)) # 输出：3
print(next(my_iter)) # 输出：4
print(next(my_iter)) # 报错：StopIteration（所有元素已迭代完毕）
关键点：
- 迭代器只能“往前走”，无法重复迭代。比如第一次迭代完后，迭代器已经“走到头”，再次用next()会直接报错。
- 常见的可迭代对象（列表、元组等）本身不是迭代器，但可以通过iter()转换为迭代器。
二、生成器：更简单的迭代器，用yield实现¶
生成器是一种特殊的迭代器，它的语法比手动实现迭代器更简洁，而且内存效率更高。生成器通过两种方式创建：生成器函数（用yield关键字）或生成器表达式（类似列表推导式，但用圆括号）。
1. 生成器函数：用yield“暂停”和“恢复”¶
生成器函数和普通函数类似，但使用yield关键字替代return。当函数执行到yield时，会暂停执行并返回一个值；下次调用函数时，会从yield的下一行继续执行。
示例1：生成器函数生成斐波那契数列
斐波那契数列是无限的（0, 1, 1, 2, 3, 5…），如果用列表生成会占用无限内存，而生成器可以“按需”生成：
def fibonacci(n):
a, b = 0, 1
for _ in range(n):
yield a # 每次返回一个斐波那契数，暂停函数
a, b = b, a + b
# 使用生成器
fib = fibonacci(5) # 生成前5个斐波那契数
for num in fib:
print(num) # 输出：0, 1, 1, 2, 3
示例2：生成器函数处理大文件
如果要读取一个10GB的日志文件，用列表一次性读取会崩溃，而生成器可以逐行读取：
def read_large_file(file_path):
with open(file_path, 'r') as f:
for line in f: # 文件对象本身是可迭代的，逐行读取
yield line.strip() # 每次返回一行内容
# 使用生成器读取文件
for line in read_large_file('big_log.txt'):
process(line) # 处理每一行数据（无需加载整个文件到内存）
2. 生成器表达式：一行实现简单生成器¶
生成器表达式语法与列表推导式类似，但用圆括号()包裹，且不会一次性生成所有元素，而是逐个生成。
示例1：生成1-10的平方数（生成器表达式）
squares = (x**2 for x in range(10)) # 生成器表达式
print(squares) # 输出：<generator object <genexpr> at 0x...>
for num in squares:
print(num) # 逐个输出：0, 1, 4, 9, 16, 25, 36, 49, 64, 81
对比列表推导式：
列表推导式[x**2 for x in range(10)]会一次性生成包含所有10个平方数的列表，占用内存；而生成器表达式(x**2 for x in range(10))只会在每次迭代时生成一个数，内存效率更高。
三、迭代器 vs 生成器：核心区别¶
| 特性 | 迭代器 | 生成器 |
|---|---|---|
| 定义方式 | 手动实现__iter__和__next__方法 |
生成器函数（yield）或生成器表达式 |
| 内存效率 | 较高，但需手动实现 | 极高，无需一次性存储所有元素 |
| 适用场景 | 复杂迭代逻辑（如自定义序列） | 简单的“逐个生成”场景（如大数据流） |
四、实际应用场景¶
- 处理大数据流：如读取大文件、处理数据库查询结果（避免一次性加载）。
- 无限序列：如斐波那契数列、随机数生成（无法用列表存储无限数据）。
- 节省内存：例如生成100万个数的平方，用生成器表达式比列表推导式节省大量内存。
五、总结¶
迭代器和生成器是Python中处理数据的“轻量级”工具，核心优势是内存高效和按需生成。掌握它们能让你写出更简洁、更高效的代码，尤其在处理大数据或无限序列时。生成器作为特殊的迭代器，语法更简单（yield或生成器表达式），是初学者快速上手的优选。
从“逐个访问元素”到“按需生成数据”，迭代器和生成器让Python处理数据的能力更上一层楼，是每个Python开发者必备的基础技巧。