python generator长度_Python Generator
清单 4. 第三个版本
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()
Fab 类通过 next() 不断返回数列的下一个数，内存占用始终为常数：
>>> for n in Fab(5):
... print n
...
1
1
2
3
5
然而，使用 class 改写的这个版本，代码远远没有第一版的 fab 函数来得简洁。如果我们想要保持第一版 fab 函数的简洁性，同时又要获得 iterable 的效果，yield 就派上用场了：
清单 5. 使用 yield 的第四版
def fab(max):
n, a, b = 0, 0, 1
while n < max:
yield b
# print b
a, b = b, a + b
n = n + 1
'''
第四个版本的 fab 和第一版相比，仅仅把 print b 改为了 yield b，就在保持简洁性的同时获得了 iterable 的效果。
调用第四版的 fab 和第二版的 fab 完全一致：
>>> for n in fab(5):
... print n
...
1
1
2
3
5
简单地讲，yield 的作用就是把一个函数变成一个 generator，带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，调用 fab(5) 不会执行 fab 函数，而是返回一个 iterable 对象！在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield b 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield b 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。
也可以手动调用 fab(5) 的 next() 方法(因为 fab(5) 是一个 generator 对象，该对象具有 next() 方法)，这样我们就可以更清楚地看到 fab 的执行流程：
清单 6. 执行流程
>>> f = fab(5)
>>> f.next()
1
>>> f.next()
1
>>> f.next()
2
>>> f.next()
3
>>> f.next()
5
>>> f.next()
Traceback (most recent call last):
File "", line 1, in
StopIteration
当函数执行结束时，generator 自动抛出 StopIteration 异常，表示迭代完成。在 for 循环里，无需处理 StopIteration 异常，循环会正常结束。
我们可以得出以下结论：
一个带有 yield 的函数就是一个 generator，它和普通函数不同，生成一个 generator 看起来像函数调用，但不会执行任何函数代码，直到对其调用 next()(在 for 循环中会自动调用 next())才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。
yield 的好处是显而易见的，把一个函数改写为一个 generator 就获得了迭代能力，比起用类的实例保存状态来计算下一个 next() 的值，不仅代码简洁，而且执行流程异常清晰。
generator函数的一大功用是能非常便利的编写获得一个 iterator
你不必再去关心神马iterator协议(比如 .next, .__iter__, 诸如此类)
如何判断一个函数是否是一个特殊的 generator 函数？可以利用 isgeneratorfunction 判断：
清单 7. 使用 isgeneratorfunction 判断
>>> from inspect import isgeneratorfunction
>>> isgeneratorfunction(fab)
True
要注意区分 fab 和 fab(5)，fab 是一个 generator function，而 fab(5) 是调用 fab 返回的一个 generator，好比类的定义和类的实例的区别：
清单 8. 类的定义和类的实例
>>> import types
>>> isinstance(fab, types.GeneratorType)
False
>>> isinstance(fab(5), types.GeneratorType)
True
fab 是无法迭代的，而 fab(5) 是可迭代的：
>>> from collections import Iterable
>>> isinstance(fab, Iterable)
False
>>> isinstance(fab(5), Iterable)
True
每次调用 fab 函数都会生成一个新的 generator 实例，各实例互不影响：
>>> f1 = fab(3)
>>> f2 = fab(5)
>>> print 'f1:', f1.next()
f1: 1
>>> print 'f2:', f2.next()
f2: 1
>>> print 'f1:', f1.next()
f1: 1
>>> print 'f2:', f2.next()
f2: 1
>>> print 'f1:', f1.next()
f1: 2
>>> print 'f2:', f2.next()
f2: 2
>>> print 'f2:', f2.next()
f2: 3
>>> print 'f2:', f2.next()
f2: 5
另一个 yield 的例子来源于文件读取。如果直接对文件对象调用 read() 方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取：(使用generator expression可以更简洁，见后文)
清单 9. 另一个 yield 的例子
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
我们目前有两种创建generator对象的方法：Yield expressions
Generator函数： yield_expression ::= "yield" [expression_list]
defcountdown(n):while n >0:yieldn
n-= 1
Generator 表达式： yield_atom ::= "(" yield_expression ")"
squares = (x*x for x in s)
1.需要注意yield_atom ::= "(" yield_expression ")"方式和列表推导式(list comprehension)的区别：
1 >>> a = (x for x in range(10))2 >>>a3 at 0x7f7bd7007b40>
4 >>> a = [x for x in range(10)]5 >>>a6 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
结果的值是通过generator一次一个生成出来的
与列表推导式的重要不同是
不会构建一个列表
唯一用途是遍历枚举
一旦被消费，无法重用
2.这种生成generator的方式也可以变得复杂：
如果if子句里的条件需要计算，同时结果也需要进行同样的计算，不希望计算两遍，就像这样：
(x.doSomething() for x in lst if x.doSomething()>0)
如果doSomething的代价比较大，有没有办法优化呢？可以这样改写：
(x for x in (y.doSomething() for y in lst) if x>0)
内部的列表解析变量其实也可以用x，但为清晰起见我们改成了y。或者更清楚的，可以写成两个表达式：
tmp = (x.doSomething() for x in lst)
(x for x in tmp if x > 0)
列表解析可以替代绝大多数需要用到map和filter的场合，可能正因为此，著名的静态检查工具pylint将map和filter的使用列为了警告
3.另附set，map，list的compresions：
>>> from math importpi>>> [str(round(pi, i)) for i in range(1, 6)]
['3.1', '3.14', '3.142', '3.1416', '3.14159']
矩阵的转职>>> matrix =[
... [1, 2, 3, 4],
... [5, 6, 7, 8],
... [9, 10, 11, 12],
... ]
The following list comprehension will transpose rowsandcolumns:>>>
>>> [[row[i] for row in matrix] for i in range(4)]
[[1, 5, 9], [2, 6, 10], [3, 7, 11], [4, 8, 12]]>>> transposed =[]>>> for i in range(4):
... transposed.append([row[i]for row inmatrix])
...
同>>> zip(*matrix)
[(1, 5, 9), (2, 6, 10), (3, 7, 11), (4, 8, 12)]
Similarly to list comprehensions, set comprehensions are also supported:>>>
>>> a = {x for x in 'abracadabra' if x not in 'abc'}>>>a
set(['r', 'd'])
In addition, dict comprehensions can be used to create dictionariesfrom arbitrary key andvalue expressions:>>>
>>> {x: x**2 for x in (2, 4, 6)}
{2: 4, 4: 16, 6: 36}
文件处理
一个非-Generator 的解决方案
仅仅简单的使用一个for循环
wwwlog = open("access-log")
total=0for line inwwwlog:
bytestr= line.rsplit(None, 1)[1]if bytestr != '-':
total+=int(bytestr)print "Total", total
我们一行一行的读取值并更新汇总数据
可是，这个程序竟然运行了90秒钟...
一个Generator的解决方案
我们会用到一些generator表达式
wwwlog = open("access-log")
bytecolumn= (line.rsplit(None, 1)[1] for line inwwwlog)
bytes= (int(x) for x in bytecolumn if x != '-')print "Total", sum(bytes)
+--------+ +------------+ +-------+ +-------+access-log -> | wwwlog | -> | bytecolumn | -> | bytes | -> | sum() | ->total+--------+ +------------+ +-------+ +-------+
Added 2013 0506
New in version 2.2.
Python supports a concept of iteration over containers. This is implemented using two distinct methods; these are used to allow user-defined classes to support iteration. Sequences, described below in more detail, always support the iteration methods.
One method needs to be defined for container objects to provide iteration support:
container.__iter__()Return an iterator object. The object is required to support the iterator protocol described below. If a container supports different types of iteration, additional methods can be provided to specifically request iterators for those iteration types. (An example of an object supporting multiple forms of iteration would be a tree structure which supports both breadth-first and depth-first traversal.) This method corresponds to the tp_iterslot of the type structure for Python objects in the Python/C API.
The iterator objects themselves are required to support the following two methods, which together form the iterator protocol:
iterator.__iter__()Return the iterator object itself. This is required to allow both containers and iterators to be used with the for and instatements. This method corresponds to the tp_iter slot of the type structure for Python objects in the Python/C API.iterator.next()Return the next item from the container. If there are no further items, raise the StopIteration exception. This method corresponds to the tp_iternext slot of the type structure for Python objects in the Python/C API.