迭代器（iterator）与生成器（generator）是 Python 中比较常用又很容易混淆的两个概念，今天就把它们梳理一遍，并举一些常用的例子。
for 语句与可迭代对象（iterable object）：
for i in [1, 2, 3]:
print(i)
#执行结果
1
2
3
obj = {"a": 123, "b": 456}
for k in obj:
print(k)
#执行结果
b
a
这些可以用在 for 语句进行循环的对象就是可迭代对象。除了内置的数据类型（列表、元组、字符串、字典等）可以通过 for 语句进行迭代，我们也可以自己创建一个容器，包含一系列元素，可以通过 for 语句依次循环取出每一个元素，这种容器就是迭代器（iterator）。除了用 for 遍历，迭代器还可以通过 next() 方法逐一读取下一个元素。要创建一个迭代器有3种方法，其中前两种分别是：
为容器对象添加 iter() 和 next() 方法；iter() 返回迭代器对象本身 self，next() 则返回每次调用 next() 或迭代时的元素；
内置函数 iter() 将可迭代对象转化为迭代器
ita = iter([1, 2, 3])
print(type(ita))
print(next(ita))
print(next(ita))
print(next(ita))
print(next(ita))
#执行结果
1
2
3
Traceback (most recent call last):
File "/usercode/file3.py", line 6, in
print(next(ita))
StopIteration
#用next()方法来获取容器中的下一个元素，当没有可访问元素后，就抛出StopIteration异常。
注意：Python2和Python3中调用next()方法略有不同，例如在Python2环境下：
def
fib(max):
n,a,b=0,0,1
while(n yield b
a,b=b,a+b
n+=1
g=fib(5)
g.next()
#执行结果
Traceback (most recent call last):
File "", line 1, in
f.next()
AttributeError: 'generator' object has no attribute 'next'
上面的next方法调用错误。在Python3.x中若使用generator的next属性，应该这么调用：
g=fib(4)
next(g) #与之前的g.next()不同
# Create iterator Object
class Container:
def __init__(self, start = 0, end = 0):
self.start = start
self.end = end
def __iter__(self):
print("[LOG] I made this iterator!")
return self
def __next__(self):
print("[LOG] Calling __next__ method!")
if self.start < self.end:
i = self.start
self.start += 1
return i
else:
raise StopIteration()
c = Container(0, 5)
for i in c:
print(i)
#执行结果
[LOG] I made this iterator!
[LOG] Calling __next__ method!
0
[LOG] Calling __next__ method!
1
[LOG] Calling __next__ method!
2
[LOG] Calling __next__ method!
3
[LOG] Calling __next__ method
!4
[LOG] Calling __next__ method!
创建迭代器对象的好处是当序列长度很大时，可以减少内存消耗，因为每次只需要记录一个值即刻（经常看到人们介绍 Python 2.7 的 range 函数时，建议当长度太大时用 xrange 更快，在 Python 3.5 中已经去除了 xrange 只有一个类似迭代器一样的 range）。
生成器
前面说到创建迭代器有3种方法，其中第三种就是生成器（generator）。生成器函数可以通过常规的def语句来定义，但是不用return返回，而是用yield一次返回一个结果，在每个结果之间挂起和继续它们的状态，来自动实现迭代协议。
也就是说，yield是一个语法糖，内部实现支持了迭代器协议，同时yield内部是一个状态机，维护着挂起和继续的状态。
生成器通过 yield 语句快速生成迭代器，省略了复杂的 iter() & next() 方式。
def container(start, end):
while start yield start
start += 1
c = container(0, 5)
print(type(c))
print(next(c))
next(c)
for i in c:
print(i)
#执行结果
0
2
3
4
简单来说，yield 语句可以让普通函数变成一个生成器，并且相应的next()方法返回的是yield后面的值。一种更直观的解释是：程序执行到yield会返回值并暂停，再次调用next()时会从上次暂停的地方继续开始执行：
def gen():
yield 5
yield "Hello"
yield "World"
yield 4
for i in gen():
print(i)
#执行结果
5
Hello
World
4
生成器表达式
在开始介绍生成器表达式之前，先看看我们比较熟悉的列表解析( List comprehensions)，列表解析一般都是下面的形式。
[expr for iter_var in iterable if cond_expr]
迭代iterable里所有内容，每一次迭代后，把iterable里满足cond_expr条件的内容放到iter_var中，再在表达式expr中应该iter_var的内容，最后用表达式的计算值生成一个列表。
例如，生成一个list来保护50以内的所以奇数：
[i for i in range(50) if i%2]
生成器表达式当序列过长， 而每次只需要获取一个元素时，应当考虑使用生成器表达式而不是列表解析。生成器表达式的语法和列表解析一样，只不过生成器表达式是被()括起来的，而不是[]，如下：
(expr for iter_var in iterable if cond_expr)
看一个例子：
gen = (i for i in range(50) if i%2)
print(gen)
print([i for i in gen])
#执行结果
at 0x7f7fac1f3f30>
[1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 29, 31, 33, 35, 37, 39, 41, 43, 45, 47, 49]
生成器表达式并不是创建一个列表， 而是返回一个生成器，这个生成器在每次计算出一个条目后，把这个条目”产生”（yield）出来。 生成器表达式使用了”惰性计算”（lazy evaluation），只有在检索时才被赋值（evaluated），所以在列表比较长的情况下使用内存上更有效。
继续看一个例子：
gen = (i for i in range(50) if i%2)
print("__iter__" in dir(gen))
print("__next__" in dir(gen))
print(sum(gen))
print([i for i in gen])
#执行结果
True
True
625
[]从这个例子中可以看到，生成器表达式产生的生成器，它自身是一个可迭代对象，同时也是迭代器本身。
总结
本文介绍了Python迭代器和生成器的相关内容。
通过实现迭代器协议对应的iter()和next()方法，可以自定义迭代器类型。对于可迭代对象，for语句可以通过iter()方法获取迭代器，并且通过next()方法获得容器的下一个元素。
像列表这种序列类型的对象，可迭代对象和迭代器对象是相互独立存在的，在迭代的过程中各个迭代器相互独立；但是，有的可迭代对象本身又是迭代器对象，那么迭代器就没法独立使用。
生成器是一种特殊的迭代器，内部支持了生成器协议，不需要明确定义iter()和next()方法。
生成器通过生成器函数产生，生成器函数可以通过常规的def语句来定义，但是不用return返回，而是用yield一次返回一个结果。
