1. 迭代器
迭代器是訪問集合元素的一種方式。迭代器對象從集合的第一個元素開始訪問,知道所有的元素被訪問完結束。迭代器只能往前不會後退,不過這也沒什麼,因爲人們很少在迭代途中往後退。
1.1 使用迭代器的優點
對於原生支持隨機訪問的數據結構(如tuple、list),迭代器和經典for循環的索引訪問相比並無優勢,反而丟失了索引值(可以使用內建函數enumerate()找回這個索引值)。但對於無法隨機訪問的數據結構(比如set)而言,迭代器是唯一的訪問元素的方式。
另外,迭代器的一大優點是不要求事先準備好整個迭代過程中所有的元素。迭代器僅僅在迭代到某個元素時才計算該元素,而在這之前或之後,元素可以不存在或者被銷燬。這個特點使得它特別適合用於遍歷一些巨大的或是無限的集合,比如幾個G的文件,或是斐波那契數列等等。
迭代器更大的功勞是提供了一個統一的訪問集合的接口,只要定義了__iter__()方法對象,就可以使用迭代器訪問。
迭代器有兩個基本的方法
next方法:返回迭代器的下一個元素
__iter__方法:返回迭代器對象本身
下面用生成斐波那契數列爲例子,說明爲何用迭代器
代碼1
def fab(max): n, a, b = 0, 0, 1 while n < max: print b a, b = b, a + b n = n + 1
直接在函數fab(max)中用print打印會導致函數的可複用性變差,因爲fab返回None。其他函數無法獲得fab函數返回的數列。
代碼2
def fab(max): L = [] n, a, b = 0, 0, 1 while n < max: L.append(b) a, b = b, a + b n = n + 1 return L
代碼2滿足了可複用性的需求,但是佔用了內存空間,最好不要。
代碼3
對比
for i in range(1000): pass
for i in xrange(1000): pass
前一個返回1000個元素的列表,而後一個在每次迭代中返回一個元素,因此可以使用迭代器來解決複用可佔空間的問題
class Fab(object): def __init__(self, max): self.max = max self.n, self.a, self.b = 0, 0, 1 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration()
>>> for key in Fabs(
5
):
print
key
1
1
2
3
5
Fabs 類通過 next() 不斷返回數列的下一個數,內存佔用始終爲常數
1.2 使用迭代器
使用內建的工廠函數iter(iterable)可以獲取迭代器對象:
>>> lst = range(
5
)
>>> it = iter(lst)
>>> it
<listiterator object at
0
x
01
A
63110
>
使用next()方法可以訪問下一個元素:
>>> it.next()
0
>>> it.next()
1
>>> it.next()
2
python處理迭代器越界是拋出StopIteration異常
>>> it.next()
3
>>> it.next
<method-wrapper
'next'
of listiterator object at
0
x
01
A
63110
>
>>> it.next()
4
>>> it.next()
Traceback (most recent call last):
File
"<pyshell#27>"
, line
1
, in <module>
it.next()
StopIteration
瞭解了StopIteration,可以使用迭代器進行遍歷了
lst = range(5) it = iter(lst)try: while True: val = it.next() print valexcept StopIteration: pass
>>>
0
1
2
3
4
>>> a = (1, 2, 3, 4)>>> for key in a: print key 1 2 3 4
首先python對關鍵字in後的對象調用iter函數迭代器,然後調用迭代器的next方法獲得元素,直到拋出StopIteration異常。
# -*- coding: cp936 -*-class Fabs(object): def __init__(self,max): self.max = max self.n, self.a, self.b = 0, 0, 1 #特別指出:第0項是0,第1項是第一個1.整個數列從1開始 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration()print Fabs(5)for key in Fabs(5): print key
<__main__.Fabs object at
0
x
01
A
63090
>
1
1
2
3
5
2. 迭代器
帶有 yield 的函數在 Python 中被稱之爲 generator(生成器),幾個例子說明下(還是用生成斐波那契數列說明)
可以看出代碼3遠沒有代碼1簡潔,生成器(yield)既可以保持代碼1的簡潔性,又可以保持代碼3的效果
代碼4
def fab(max): n, a, b = 0, 0, 1 while n < max: yield b a, b = b, a + b n = n = 1
>>> for n in fab(
5
):
print
n
1
1
2
3
5
簡單地講,yield 的作用就是把一個函數變成一個 generator,帶有 yield 的函數不再是一個普通函數,Python 解釋器會將其視爲一個 generator,調用 fab(5) 不會執行 fab 函數,而是返回一個 iterable 對象!在 for 循環執行時,每次循環都會執行 fab 函數內部的代碼,執行到 yield b 時,fab 函數就返回一個迭代值,下次迭代時,代碼從 yield b 的下一條語句繼續執行,而函數的本地變量看起來和上次中斷執行前是完全一樣的,於是函數繼續執行,直到再次遇到 yield。看起來就好像一個函數在正常執行的過程中被 yield 中斷了數次,每次中斷都會通過 yield 返回當前的迭代值。
也可以手動調用 fab(5) 的 next() 方法(因爲 fab(5) 是一個 generator 對象,該對象具有 next() 方法),這樣我們就可以更清楚地看到 fab 的執行流程:
>>> f = fab(
3
)
>>> f.next()
1
>>> f.next()
1
>>> f.next()
2
>>> f.next()
Traceback (most recent call last):
File
"<pyshell#62>"
, line
1
, in <module>
f.next()
StopIteration
return作用
在一個生成器中,如果沒有return,則默認執行到函數完畢;如果遇到return,如果在執行過程中 return,則直接拋出 StopIteration 終止迭代。例如
>>> s = fab(
5
)
>>> s.next()
1
>>> s.next()
Traceback (most recent call last):
File
"<pyshell#66>"
, line
1
, in <module>
s.next()
StopIteration
代碼5 文件讀取
def read_file(fpath): BLOCK_SIZE = 1024 with open(fpath, 'rb') as f: while True: block = f.read(BLOCK_SIZE) if block: yield block else: return
如果直接對文件對象調用 read() 方法,會導致不可預測的內存佔用。好的方法是利用固定長度的緩衝區來不斷讀取文件內容。通過 yield,我們不再需要編寫讀文件的迭代類,就可以輕鬆實現文件讀取。
https://blog.51cto.com/user_index.php?action=addblog_new&did=178525
3. 參考