【Python】一直没搞懂生成器是什么。。
生成器
上期我们讲解了迭代器：【Python】一直没搞懂迭代器是什么。。-博客
这期我们来讲讲它的好兄弟——生成器
生成器 (Generator)？
生成器是一种特殊的 迭代器 (Iterator)。
迭代器 是你可以逐个访问其元素的对象（比如在 for 循环中使用）。列表、元组、字典、字符串等都是可迭代对象，但它们不是迭代器本身。你可以通过调用 iter() 函数从可迭代对象获取迭代器。迭代器有一个 next() 方法，每次调用它会返回下一个元素，如果没有更多元素了，会引发 StopIteration 异常。
生成器 是一种创建迭代器 的简单而强大的方法 。它看起来像一个普通的函数，但关键区别在于它使用 yield 关键字来返回值，而不是 return。
yield 是啥？
yield 是一个 Python 关键字，它有两个主要作用：
-
定义生成器函数: 任何包含
yield语句的函数都会自动成为一个生成器函数 。调用这个函数不会立即执行函数体，而是返回一个生成器对象 （也就是一个迭代器）。 -
返回值并暂停: 当生成器函数的执行遇到
yield语句时：yield后面的表达式的值会被返回给调用者（即正在迭代该生成器的代码）。- 函数的执行会在此处暂停 ，并保存当前的所有状态（包括局部变量）。
- 当调用者请求下一个值时，函数会从暂停的地方恢复执行 ，直到遇到下一个
yield或函数结束。
-
对比学习：
yieldvsreturn:
return 会彻底终止函数的执行 ，并返回一个值（或 None）。函数的状态不会被保存。
yield 只会暂停函数的执行，并返回一个值 。函数的状态会被保存，以便下次可以恢复。一个生成器函数可以有多个 yield 语句。
yield 和生成器，它们俩两个的关系？
-
关系:
yield是用来创建生成器的语法核心 。一个函数因为包含了yield而成为生成器函数，调用它则得到生成器（迭代器）。 -
打个比方~: *
生成器函数 (含yield 的函数): 扮演“蓝图”或“工厂”的角色，用于定义 如何按需生成一系列值。
yield 关键字: 扮演“暂停点”和“返回值发射器”的角色。它控制着值的生成和函数执行的暂停/恢复。
生成器对象 (调用生成器函数的结果): 扮演“迭代器”的角色。它实现了迭代协议（__iter__() 和 __next__()），允许你通过循环或其他方式逐个获取由 yield 产生的值。
生成器函数–> 调用它不会返回return和yeild的内容,而是返回一个生成器对象
def gen(num):
while num > 0:
yield num
num -= 1
return
g = gen(5)
python
生成器对象
只有当你对这个生成器对象使用next函数的时候,他才开始真正它的函数本体
first = next(g)
for i in g:
print(i)
python
从使用角度来看，生成器和迭代器几乎是完全一样的 。
我们正常定义的迭代器也就是 iterator，它是把这个迭代时候的状态保存在一个对象里的。而生成器也就是 generator，它实际上是把这个状态保存在了 frame 里
什么是frame？
在 Python 中，frame（帧）是函数调用时的时上下文 ，属于 Python 虚拟机（PVM）的执行模型的一部分。
每个函数调用 会创建一个新的 frame，存储：
局部变量（locals()）
当前代码位置（f_lasti，指向字节码的偏移量）
所属的代码对象（f_code）
调用栈链（f_back，指向调用者的 frame）
生成器的frame 会在yield 时冻结，保存当前状态（包括局部变量、执行位置等），下次调用 next() 时恢复。
send
send 这个函数呢只是给你一个机制,让你可以去和你的generator做沟通和交流,可以改变他的一些状态
def gen(num):
while num > O:
tmp = yield num
if tmp is not None:
num = tmp
num -= 1
g = gen(5)
first = next(g) # first = g.send(None)
print(f"first: {first}")# 输入 5
print(f"send: {g.send(10)}")
for i in g:
print(i) # 输入 9 8 7 6 5 4 3 2 1
Python
对比
| 特性 | 迭代器（Iterator） | 生成器（Generator） |
|---|---|---|
| 状态保存位置 | 对象的属性（如 self.curr_node） |
函数的 frame（自动管理） |
| 实现复杂度 | 需手动编写 __next__ 逻辑 |
用 yield 自动生成状态机 |
| 内存占用 | 通常更高（需显式存储状态） | 更低（frame 按需保存） |
| 适用场景 | 自定义复杂迭代逻辑（如树遍历） | 惰性计算、大数据流 |
- 生成器更轻量、更 Pythonic ，适合处理大数据或惰性计算场景。
全文PDF资源下载：【Python编程】深入解析迭代器与生成器的工作原理及应用场景：从基础概念到自定义实现了Python中的迭代资源-文库
关于作者
作者的其他文章
RAG调优|AI聊天|知识库问答
-
你是一名平平无奇的大三生，你投递了简历和上线的项目链接，结果HR真打开链接看！结果还报错登不进去QAQ！【RAG知识库问答系统】新增模型混用提示和报错排查【用户反馈与优化-2025.04.28-博客
-
【豆包写的标题…】《震惊！重排序为啥是 RAG 调优杀手锏？大学生实战项目，0 基础也能白嫖学起来》（Langchain-博客
-
【Langchain】RAG 优化：提高语义完整性、向量相关性、召回率–从字符分割到语义分块 (SemanticChunker)-博客