一、概述

• 生成器是一种在 Python 中的迭代器生成器。生成器是一个函数，它生成一个迭代器。当生成器函数被调用时，它不会立即执行，而是返回一个生成器对象，该对象可以被用于迭代。生成器可以利用 yield 语句在函数内部生成值，并在函数调用者处接收这些值。

• 协程是一种高效的、内存友好的、线程内的并发技术，它可以让您在单个线程内并发地执行多个任务。协程是通过使用 async 关键字实现的，并可以在 Python 中的 asyncio 库中使用。与线程不同，协程不需要额外的系统线程，因此它们比线程更高效、更灵活。

在简单的说法，生成器用于生成一系列的值，而协程用于在单个线程中并发执行多个任务。

二、生成器

生成器表达式本质上就是一个迭代器，是定义迭代器的一种方式，是允许自定义逻辑的迭代器。生成器使用generator表示。

• 生成器可以使用 for 循环或 next() 函数来遍历。当生成器对象被创建时，它会保存函数的当前状态，并在每次调用 next() 或 for 循环时从当前状态开始执行，直到遇到 yield 语句为止。

• 当生成器遇到 yield 语句时，它会生成当前的值，并保存函数的当前状态，以便下次调用时可以从该状态开始继续执行。当生成器再次被调用时，它会继续执行从上次暂停的地方开始，直到遇到下一个 yield 或者 return 语句，或者函数结束为止。

下面是一个生成器函数的示例：

def my_generator():
    for i in range(3):
        yield i

gen = my_generator()
for i in gen:
    print(i)

输出：

0
1
2

从上面的示例可以看出，生成器的工作原理是通过保存函数的当前状态，以便每次调用时从当前状态开始继续执行，并使用 yield 语句生成值的。

1）生成器和迭代器的区别

生成器和迭代器是 Python 中的两个相关的概念，但是有一些区别：

• 定义：生成器是一种特殊的迭代器，它可以生成一系列的值，而迭代器是一个对象，它实现了 iter 和 next 方法，可以返回一个值的序列。

• 创建：生成器可以通过定义生成器函数，在函数内部使用 yield 语句生成值；迭代器可以通过定义迭代器类，在类中实现 iter 和 next 方法。

• 效率：生成器函数在生成值时只需要暂停函数的执行，因此它具有更高的效率；迭代器类需要维护一个对象状态，因此效率较低。

• 用途：生成器适用于生成大量的数据，因为它可以在生成数据时保存函数的状态，从而避免占用大量内存；迭代器适用于处理少量数据，因为它需要创建一个对象维护状态。

因此，在实际开发中，我们可以根据数据量和处理效率的需求来选择使用生成器或迭代器。

2）生成器创建方式

在 Python 中，可以通过以下两种方式创建生成器：

1、通过生成器函数创建

通过在函数中使用 yield 语句，可以将函数变为生成器函数，每次调用生成器函数时，可以生成一个生成器。

例如：

def generator_example():
    yield 1
    yield 2
    yield 3

gen = generator_example()
print(next(gen))
print(next(gen))
print(next(gen))

2、通过生成器表达式创建

生成器表达式是一种简写的生成器创建方式，它基于列表推导式的语法。

例如：

gen = (x for x in range(3))
print(next(gen))
print(next(gen))
print(next(gen))

以上是生成器的两种创建方式，您可以根据实际需求选择使用。

3）生成器表达式

生成器表达式是一种简写的生成器创建方式，它基于列表推导式的语法。

例如：

gen = (x for x in range(3))
print(next(gen))
print(next(gen))
print(next(gen))

在上面的例子中，我们使用生成器表达式创建了一个生成器，该生成器生成从 0 到 2 的整数。然后，我们使用 next() 函数逐个迭代生成器中的值。

4）yield关键字

yield 关键字是 Python 中的一个关键字，用于生成器函数中。它允许一个函数在生成值时暂停其执行，以便在稍后恢复其执行并生成下一个值。这使生成器函数成为一种特殊的函数，可以按需生成一系列值。

5）生成器函数

生成器函数是 Python 中特殊的函数，该函数可生成一个生成器。与普通函数不同，生成器函数可以在每次被调用时生成一个生成器，并在生成器中生成一系列值。

生成器函数通过使用 yield 语句创建生成器。每当函数执行到 yield 语句时，生成器函数的执行就会暂停，并返回 yield 语句后面的值。当再次调用生成器函数时，它将从上次暂停的位置继续执行，直到遇到下一个 yield 语句，或者函数返回。

例如：

def generator_example():
    yield 1
    yield 2
    yield 3

gen = generator_example()
print(next(gen))
print(next(gen))
print(next(gen))

在上面的例子中，我们定义了一个生成器函数 generator_example，该函数通过使用 yield 语句生成了三个整数：1、2 和 3。然后，我们通过调用该函数并将其结果分配给生成器 gen 来创建生成器，并使用 next() 函数逐个迭代生成器中的值。

6）return 和 yield 异同

return 和 yield 都是用于在函数中终止执行的关键字，但是它们的作用是不同的。

• return：当函数调用 return 时，函数立即终止执行，并返回一个值（如果存在）给调用者。该值通常表示函数的最终结果。

• yield：当生成器函数调用 yield 时，它仅暂停其执行并生成一个值，但不终止函数。在下一次调用该生成器时，它将恢复其执行，直到遇到下一个 yield 或终止函数。

因此，yield 是生成器函数的一个关键字，可以使生成器生成一系列值，而 return 是一般函数的一个关键字，它返回一个值并终止函数。

7）yield的使用方法

yield 关键字用于生成器函数。在生成器函数中，我们可以使用 yield 关键字生成一系列值，而无需暂停整个函数。

例如，以下是使用 yield 关键字的简单生成器函数的例子：

def simple_generator():
    yield 1
    yield 2
    yield 3
    yield 4
    yield 5

gen = simple_generator()
print(next(gen)) # Output: 1
print(next(gen)) # Output: 2
print(next(gen)) # Output: 3
print(next(gen)) # Output: 4
print(next(gen)) # Output: 5

我们可以使用 for 循环或 next() 函数迭代生成器中的值，如下所示：

for value in simple_generator():
    print(value)

# Output:
# 1
# 2
# 3
# 4
# 5

【注意】生成器函数只能迭代一次，所以请确保在使用生成器函数时存储其返回值。

8）for与next

在使用生成器时，我们可以使用两种不同的方法来迭代生成器中的值：for 循环和 next() 函数。

• for 循环：通过使用 for 循环，我们可以在生成器中迭代所有值。例如：

def simple_generator():
    yield 1
    yield 2
    yield 3

for value in simple_generator():
    print(value)

# Output:
# 1
# 2
# 3

• next() 函数：通过使用 next() 函数，我们可以手动控制生成器的迭代。例如：

def simple_generator():
    yield 1
    yield 2
    yield 3

gen = simple_generator()
print(next(gen)) # Output: 1
print(next(gen)) # Output: 2
print(next(gen)) # Output: 3

【注意】在生成器迭代完所有的值后，再使用 next() 函数将导致抛出 StopIteration 异常。因此，在使用 next() 函数时，请确保捕获该异常。

9）send的使用

send() 方法是生成器的一种方法，它允许我们在生成器函数内部向生成器发送数据。该方法允许生成器接收外部数据，并使用这些数据生成结果。

在使用 send() 方法时，我们需要在生成器函数中使用 yield 表达式来接收数据，如下所示：

def simple_generator():
    result = yield
    print("Received data:", result)

gen = simple_generator()
next(gen)
gen.send("Hello, World!")
# Output: Received data: Hello, World!

【注意】第一次使用 send() 方法之前，我们需要调用 next() 函数，以启动生成器函数。此外，使用 send() 方法将导致抛出 StopIteration 异常，因此请确保在使用该方法时进行异常处理。

三、协程进阶

协程（Coroutine）是一种编程技巧，用于在多任务环境中实现轻量级的任务切换。与线程不同，协程不需要创建新的系统级线程，并且消耗的资源也比线程更少。因此，协程可以比线程更高效地完成任务。在我上篇的文章已经讲解了：IO模型和协程介绍

1）生成器与协程关系

生成器和协程是相关但有所不同的概念。生成器是一种特殊的迭代器，可以生成一系列的值，每次迭代时只返回一个值。生成器可以使用 yield 关键字来暂停执行，并在下一次调用时继续执行。

• 协程是一种并发编程技术，可以在单一线程中实现多个任务的并行执行。与线程不同，协程不需要创建新的系统级线程，并且消耗的资源也比线程更少。协程可以使用 yield 关键字来暂停执行，并在下一次调用时继续执行。

• 因此，生成器可以用于实现协程，但它们不是协程的必需条件。在 Python 中，可以使用 asyncio 库来实现协程，该库不需要使用生成器。不过，在实现协程时，生成器确实可以作为一种有效的工具，帮助开发者实现协程的暂停和恢复。

2）协程实现原理

协程的实现主要是通过一种叫做 “协程调度器” 的技术实现的，这种技术能够在不创建新的线程的情况下，在单一线程中按需切换协程的执行。协程调度器会管理当前正在运行的协程以及等待执行的协程，并在每个协程执行完后切换到下一个协程。

3）协程实现方式

在 Python 中，可以使用 asyncio 库来实现协程。协程函数可以使用 async 关键字标记，表示该函数是一个协程函数。在协程函数中，可以使用 await 关键字等待其他协程完成，从而实现协程的切换。

在 Python 中，可以使用 asyncio 库来实现协程。下面是一个简单的例子：

import asyncio

async def task1():
    print("Task 1 is running")
    await asyncio.sleep(1)
    print("Task 1 is complete")

async def task2():
    print("Task 2 is running")
    await asyncio.sleep(1)
    print("Task 2 is complete")

async def main():
    task1_coro = task1()
    task2_coro = task2()
    await asyncio.gather(task1_coro, task2_coro)

if __name__ == "__main__":
    asyncio.run(main())

上面的代码中，task1 和 task2 是两个协程函数，它们可以在单独的任务中并行执行。main 函数是协程的入口，在这个函数中，我们创建了两个协程的对象 task1_coro 和 task2_coro，并通过 asyncio.gather 函数将它们并行执行。最后，我们通过 asyncio.run 函数启动了整个协程。

运行上面的代码，可以得到以下输出：

Task 1 is running
Task 2 is running
Task 1 is complete
Task 2 is complete

可以看到，协程中的任务是并行执行的，因此我们可以充分利用 CPU 的资源，提高程序的执行效率。

---

Python 高级编程之生成器与协程进阶讲解就先到这里了，有任何疑问欢迎给我留言，后续会持续更新相关技术文章，请小伙伴耐心等待，也可以关注我的公众号【大数据与云原生技术分享】进行深入技术交流~