第 32 课 · 阶段五 · 文件与异常

迭代器与生成器

迭代器与生成器是 Python 处理大数据的两件利器。这一课理解迭代协议，学会用 yield 写出省内存的生成器。

第 32 课阶段五 · 文件与异常难度：进阶建议时长：35 分钟关键词：iter · next · yield · 生成器

🎯 学完本课你将掌握

理解迭代器与可迭代对象
掌握 iter() 与 next()
用 yield 编写生成器函数
理解生成器省内存的原理

一、可迭代对象 vs 迭代器

可迭代对象：能 for 遍历的对象，如列表、字符串、字典、元组。

迭代器：能记住遍历位置、用 next() 一个一个取的对象。

概念演示.py

1lst = [1, 2, 3]
2it = iter(lst)          # 把可迭代对象变成迭代器
3print(next(it))         # 1
4print(next(it))         # 2
5print(next(it))         # 3
6# print(next(it))       # StopIteration 取完了

二、for 循环的本质

for x in 可迭代对象的背后就是：先 iter() 得到迭代器，再不断 next()，遇到 StopIteration 就结束。

三、生成器函数：yield

函数里出现 yield，它就不再是普通函数，而是一个生成器：调用不执行，next() 一次执行到 yield 并暂停，再 next() 继续。

生成器入门.py

1def my_range(n):
2    i = 0
3    while i < n:
4        yield i       # 产出 i 并暂停
5        i += 1
6
7g = my_range(5)
8print(next(g))   # 0
9print(next(g))   # 1
10for x in g:      # 从上次暂停处继续
11    print(x, end=" ")   # 2 3 4

四、生成器 vs 列表的内存对比

内存对比.py

1# 列表：一次性全部生成，占内存
2big_list = [x * x for x in range(1000000)]
3
4# 生成器：惰性生成，几乎不占内存
5big_gen = (x * x for x in range(1000000))
6
7print(sum(big_gen))   # 两者结果一样，生成器省内存

✅ 要点

处理超大文件、超大数据流时用生成器，能极大降低内存占用。惰性求值是它的灵魂。

五、实战：逐行读取大文件

生成器读文件.py

1def read_big(path):
2    with open(path, "r", encoding="utf-8") as f:
3        for line in f:       # 本身就在逐行读
4            yield line.strip()
5
6for line in read_big("note.txt"):
7    print(line)

六、yield 与 return 的区别

对比	yield	return
函数类型	生成器函数	普通函数
执行	暂停可恢复	立刻结束
返回值	产出一个个值	返回一次
内存	惰性省内存	一次性计算

七、常见错误与解决

常见错误与解决

错误现象	原因 / 解决方法
`生成器只能遍历一次`	生成器是单向的，用完就空；需要多次遍历就转成列表。
`忘了 yield 写成 return`	函数里没有 yield 就退化成普通函数，不再惰性。
`StopIteration 报错`	next() 取完了；在 for 里遍历会自动处理，别手动 next 过头。

✍️ 小练习

写一个生成器 fib_gen(n) 依次产出前 n 个斐波那契数；再用生成器表达式求 1 到 100 万平方和，体会内存优势。

📌 本节小结

迭代器用 iter()/next() 逐个取值；yield 让函数变成惰性生成器，边取边算、省内存。处理大数据与文件流，生成器是首选。