迭代器和生成器有什么区别？有关何时使用每种情况的一些示例会有所帮助。

iterator是一个更笼统的概念：其类具有next方法（__next__在Python 3中）和具有__iter__方法的任何对象return self。

每个生成器都是一个迭代器，但反之亦然。生成器是通过调用具有一个或多个yield表达式（yield在Python 2.5及更早版本中为语句）的函数而构建的，并且该函数是满足上一段对的定义的对象iterator。

当您需要一个具有某种复杂状态维护行为的类，或者想要公开除next（和__iter__和__init__）之外的其他方法时，您可能想使用自定义迭代器，而不是生成器。通常，一个生成器（有时，对于足够简单的需求，一个生成器表达式）就足够了，并且它更容易编写代码，因为状态维护（在合理范围内）基本上是由挂起和恢复帧“为您完成的”。

例如，一个生成器，例如：

def squares(start, stop):
    for i in range(start, stop):
        yield i * i

generator = squares(a, b)

或等效的生成器表达式（genexp）

generator = (i*i for i in range(a, b))

将需要更多代码来构建为自定义迭代器：

class Squares(object):
    def __init__(self, start, stop):
       self.start = start
       self.stop = stop
    def __iter__(self): return self
    def next(self): # __next__ in Python 3
       if self.start >= self.stop:
           raise StopIteration
       current = self.start * self.start
       self.start += 1
       return current

iterator = Squares(a, b)

但是，当然，有了类，Squares您可以轻松地提供其他方法，即

    def current(self):
       return self.start

如果您在应用程序中实际需要这种额外功能。

迭代器和生成器有什么区别？有关何时使用每种情况的一些示例会有所帮助。

总结：迭代器是具有__iter__和方法的对象__next__（next在Python 2中）。生成器提供了一种简单的内置方法来创建Iterator的实例。

包含yield的函数仍然是一个函数，在调用该函数时，它会返回生成器对象的实例：

def a_function():
    "when called, returns generator object"
    yield

生成器表达式还返回生成器：

a_generator = (i for i in range(0))

有关更深入的说明和示例，请继续阅读。

生成器是迭代器

具体来说，生成器是迭代器的子类型。

>>> import collections, types
>>> issubclass(types.GeneratorType, collections.Iterator)
True

我们可以通过几种方式创建生成器。一种非常普遍且简单的方法是使用函数。

具体来说，其中包含yield的函数是一个函数，在调用该函数时会返回生成器：

>>> def a_function():
        "just a function definition with yield in it"
        yield
>>> type(a_function)
<class 'function'>
>>> a_generator = a_function()  # when called
>>> type(a_generator)           # returns a generator
<class 'generator'>

同样，生成器是迭代器：

>>> isinstance(a_generator, collections.Iterator)
True

迭代器是可迭代的

迭代器是可迭代的

>>> issubclass(collections.Iterator, collections.Iterable)
True

这需要一个__iter__返回Iterator 的方法：

>>> collections.Iterable()
Traceback (most recent call last):
  File "<pyshell#79>", line 1, in <module>
    collections.Iterable()
TypeError: Can't instantiate abstract class Iterable with abstract methods __iter__

内置元组，列表，字典，集合，冻结集合，字符串，字节字符串，字节数组，范围和内存视图是可迭代对象的一些示例：

>>> all(isinstance(element, collections.Iterable) for element in (
        (), [], {}, set(), frozenset(), '', b'', bytearray(), range(0), memoryview(b'')))
True

迭代器需要一个next或__next__方法

在Python 2中：

>>> collections.Iterator()
Traceback (most recent call last):
  File "<pyshell#80>", line 1, in <module>
    collections.Iterator()
TypeError: Can't instantiate abstract class Iterator with abstract methods next

在Python 3中：

>>> collections.Iterator()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: Can't instantiate abstract class Iterator with abstract methods __next__

我们可以使用以下函数从内置对象（或自定义对象）中获取迭代器iter：

>>> all(isinstance(iter(element), collections.Iterator) for element in (
        (), [], {}, set(), frozenset(), '', b'', bytearray(), range(0), memoryview(b'')))
True

__iter__当您尝试将对象与for循环一起使用时，将调用该方法。然后__next__，在迭代器对象上调用该方法以获取循环中的每个项目。StopIteration耗尽后，迭代器会上升，并且此时无法重用。

从文档中

在“内置类型” 文档的“迭代器类型”部分的“生成器类型”部分中：

Python的生成器提供了一种实现迭代器协议的便捷方法。如果容器对象的__iter__()方法作为发电机实现的，它会自动返回一个迭代器对象（在技术上，一个生成器对象）供给__iter__()和next()[ __next__()在Python 3]的方法。有关生成器的更多信息，可以在yield表达式的文档中找到。

（已添加重点。）

因此，我们从中了解到生成器是（便捷的）迭代器类型。

示例迭代器对象

您可以通过创建或扩展自己的对象来创建实现Iterator协议的对象。

class Yes(collections.Iterator):

    def __init__(self, stop):
        self.x = 0
        self.stop = stop

    def __iter__(self):
        return self

    def next(self):
        if self.x < self.stop:
            self.x += 1
            return 'yes'
        else:
            # Iterators must raise when done, else considered broken
            raise StopIteration

    __next__ = next # Python 3 compatibility

但是，使用Generator来执行此操作会更容易：

def yes(stop):
    for _ in range(stop):
        yield 'yes'

也许更简单一些，生成器表达式（类似于列表推导）：

yes_expr = ('yes' for _ in range(stop))

它们都可以以相同的方式使用：

>>> stop = 4             
>>> for i, y1, y2, y3 in zip(range(stop), Yes(stop), yes(stop), 
                             ('yes' for _ in range(stop))):
...     print('{0}: {1} == {2} == {3}'.format(i, y1, y2, y3))
...     
0: yes == yes == yes
1: yes == yes == yes
2: yes == yes == yes
3: yes == yes == yes

结论

当需要将Python对象扩展为可以迭代的对象时，可以直接使用Iterator协议。

但是，在大多数情况下，最适合yield用于定义返回生成器迭代器或考虑生成器表达式的函数。

最后，请注意，生成器提供了更多的协同程序功能。我将yield在有关“ yield”关键字的作用？”的回答中深入解释Generators和该语句。

迭代器：

迭代器是使用next()方法获取序列的下一个值的对象。

发电机：

生成器是一种使用yield方法生成或产生值序列的函数。

生成器函数（如以下示例中的ex：函数）返回的生成next()器对象（如ex f中的示例）的每个方法调用都将按foo()顺序生成下一个值。

调用生成器函数时，它甚至不开始执行函数就返回生成器对象。当next()方法被称为首次，函数开始执行，直到它到达它返回产生值yield语句。收益跟踪（即记住上一次执行）。第二个next()调用从先前的值继续。

下面的示例演示了yield和生成器对象上的next方法的调用之间的相互作用。

>>> def foo():
...     print "begin"
...     for i in range(3):
...         print "before yield", i
...         yield i
...         print "after yield", i
...     print "end"
...
>>> f = foo()
>>> f.next()
begin
before yield 0            # Control is in for loop
0
>>> f.next()
after yield 0             
before yield 1            # Continue for loop
1
>>> f.next()
after yield 1
before yield 2
2
>>> f.next()
after yield 2
end
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

添加答案是因为现有答案中没有一个专门解决官方文献中的混乱。

生成器函数是使用yield代替定义的普通函数return。调用时，生成器函数将返回一个生成器对象，它是一种迭代器-它具有一个next()方法。当您调用时next()，将返回生成器函数产生的下一个值。

函数或对象都可以称为“生成器”，具体取决于您阅读的是哪个Python源文档。在Python的词汇说发生器功能，而Python的维基意味着发电机对象。在Python的教程非常设法暗示都用三句话的空间用法：

生成器是用于创建迭代器的简单而强大的工具。它们的编写方式与常规函数类似，但是只要要返回数据就使用yield语句。每次在其上调用next（）时，生成器都会从上次中断的地方继续（它会记住所有数据值以及最后执行的语句）。

前两个句子用生成器函数标识生成器，而第三句话用生成器对象标识它们。

尽管存在所有这些困惑，但您仍然可以找到Python语言参考来获得清晰明确的词：

yield表达式仅在定义生成器函数时使用，并且只能在函数定义的主体中使用。在函数定义中使用yield表达式足以使该定义创建一个生成器函数，而不是普通函数。

调用生成器函数时，它将返回称为生成器的迭代器。然后，该生成器控制生成器功能的执行。

因此，在正式和精确的用法中，“生成器”不合格表示生成器对象，而不是生成器功能。

上面的参考是针对Python 2的，但是Python 3语言参考却说了同样的话。但是，Python 3词汇表指出

generator ...通常是指生成器函数，但在某些情况下可能是指生成器迭代器。在预期含义不明确的情况下，使用完整术语可以避免歧义。

每个人都有一个非常好的示例冗长的答案，我对此表示感谢。我只是想为在概念上仍不太清楚的人提供简短的答案：

如果创建自己的迭代器，则涉及到一点点-您必须创建一个类并至少实现iter和next方法。但是，如果您不想经历这种麻烦并想快速创建迭代器，该怎么办。幸运的是，Python提供了一种定义迭代器的捷径。您需要做的就是定义一个至少调用一次yield的函数，现在当您调用该函数时，它将返回“ something ”，其作用类似于迭代器（您可以调用next方法并在for循环中使用它）。这个东西在Python中有一个名字叫做Generator

希望可以澄清一下。

先前的答案未添加此功能：生成器具有close方法，而典型的迭代器则没有。该close方法StopIteration在生成器中触发一个异常，该异常可能会finally在该迭代器的子句中捕获，从而有机会运行一些清理操作。这种抽象使它比简单的迭代器在大型迭代器中最有用。一个人可以关闭一个生成器，就像一个人可以关闭一个文件一样，而不必担心底层内容。

也就是说，我对第一个问题的个人回答是：iteratable __iter__仅具有一个方法，典型的迭代器__next__仅具有一个方法，生成器具有an __iter__和a __next__以及一个extra close。

对于第二个问题，我个人的回答是：在公共界面中，我倾向于偏爱生成器，因为它更具弹性：该close方法具有更大的可组合性yield from。在本地，我可以使用迭代器，但前提是它是一个平面且简单的结构（迭代器不容易编写），并且有理由相信该序列很短，尤其是在序列结束之前可以将其停止的情况。我倾向于将迭代器视为低级原语，而不是文字。

对于控制流而言，生成器是一个与承诺一样重要的概念：两者都是抽象的且可组合的。

生成器功能，生成器对象，生成器：

一个发电机的功能就像Python中的常规功能，但它包含一个或多个yield语句。生成器函数是一个很好的工具，它可以尽可能轻松地创建 Iterator对象。通过generator函数返回的Iterator对象也称为Generator对象或Generator。

在此示例中，我创建了一个Generator函数，该函数返回Generator对象<generator object fib at 0x01342480>。就像其他迭代器一样，Generator对象可以在for循环中使用，也可以与内置函数一起使用，该 函数next()从generator返回下一个值。

def fib(max):
    a, b = 0, 1
    for i in range(max):
        yield a
        a, b = b, a + b
print(fib(10))             #<generator object fib at 0x01342480>

for i in fib(10):
    print(i)               # 0 1 1 2 3 5 8 13 21 34


print(next(myfib))         #0
print(next(myfib))         #1
print(next(myfib))         #1
print(next(myfib))         #2

因此，生成器函数是创建Iterator对象的最简单方法。

迭代器：

每个生成器对象都是一个迭代器，但反之则不是。如果自定义迭代器对象的类实现__iter__和__next__方法（也称为迭代器协议），则可以创建该对象 。

但是，使用生成器函数来创建迭代器要容易得多，因为它们可以简化迭代器的创建，但是自定义迭代器为您提供了更大的自由度，并且您还可以根据需要实现其他方法，如下例所示。

class Fib:
    def __init__(self,max):
        self.current=0
        self.next=1
        self.max=max
        self.count=0

    def __iter__(self):
        return self

    def __next__(self):
        if self.count>self.max:
            raise StopIteration
        else:
            self.current,self.next=self.next,(self.current+self.next)
            self.count+=1
            return self.next-self.current

    def __str__(self):
        return "Generator object"

itobj=Fib(4)
print(itobj)               #Generator object

for i in Fib(4):  
    print(i)               #0 1 1 2

print(next(itobj))         #0
print(next(itobj))         #1
print(next(itobj))         #1

强烈推荐Ned Batchelder的示例 用于迭代器和生成器

没有生成器的方法会做一些偶数运算

def evens(stream):
   them = []
   for n in stream:
      if n % 2 == 0:
         them.append(n)
   return them

而使用发电机

def evens(stream):
    for n in stream:
        if n % 2 == 0:
            yield n

• 我们不需要任何清单或return声明
• 对于大/无限长的流有效...它只是走并产生价值

evens照常调用方法（生成器）

num = [...]
for n in evens(num):
   do_smth(n)

• 发电机也用于打破双回路

迭代器

一整页的书是可迭代的，书签是 迭代器

这个书签除了移动外别无其他 next

litr = iter([1,2,3])
next(litr) ## 1
next(litr) ## 2
next(litr) ## 3
next(litr) ## StopIteration  (Exception) as we got end of the iterator

要使用Generator ...我们需要一个函数

要使用迭代器......我们需要next和iter

如前所述：

Generator函数返回迭代器对象

迭代器的全部优点：

一次将一个元素存储在内存中

您可以将两种方法比较相同的数据：

def myGeneratorList(n):
    for i in range(n):
        yield i

def myIterableList(n):
    ll = n*[None]
    for i in range(n):
        ll[i] = i
    return ll

# Same values
ll1 = myGeneratorList(10)
ll2 = myIterableList(10)
for i1, i2 in zip(ll1, ll2):
    print("{} {}".format(i1, i2))

# Generator can only be read once
ll1 = myGeneratorList(10)
ll2 = myIterableList(10)

print("{} {}".format(len(list(ll1)), len(ll2)))
print("{} {}".format(len(list(ll1)), len(ll2)))

# Generator can be read several times if converted into iterable
ll1 = list(myGeneratorList(10))
ll2 = myIterableList(10)

print("{} {}".format(len(list(ll1)), len(ll2)))
print("{} {}".format(len(list(ll1)), len(ll2)))

此外，如果检查内存占用量，生成器将占用更少的内存，因为它不需要同时将所有值存储在内存中。

我用一种非常简单的方式专门为Python新手编写了代码，尽管Python深入人心地做了很多事情。

让我们从最基本的开始：

考虑一个清单，

l = [1,2,3]

让我们编写一个等效的函数：

def f():
    return [1,2,3]

o / p为print(l): [1,2,3]＆o / p为print(f()) : [1,2,3]

让列表l变得可迭代：在python中，列表始终是可迭代的，这意味着您可以随时使用迭代器。

让我们在列表上应用迭代器：

iter_l = iter(l) # iterator applied explicitly

让我们迭代一个函数，即编写一个等效的生成器函数。 在python中，一旦您引入了关键字yield；它成为生成器函数，并且迭代器将被隐式应用。

注意：每个生成器始终可以应用隐式迭代器进行迭代，此处隐式迭代器是关键， 因此生成器函数将是：

def f():
  yield 1 
  yield 2
  yield 3

iter_f = f() # which is iter(f) as iterator is already applied implicitly

因此，如果您观察到，一旦创建函数fa generator，它已经是iter（f）

现在，

l是列表，应用迭代器方法“ iter”后，它变为iter（l）

f已经是iter（f），在应用迭代器方法“ iter”之后，它变为iter（iter（f）），再次是iter（f）

您将int强制转换为已经为int的int（x）并保留为int（x）。

例如：

print(type(iter(iter(l))))

是

<class 'list_iterator'>

永远不要忘记这是Python，而不是C或C ++

因此，以上解释得出的结论是：

列出l〜= iter（l）

生成器函数f == iter（f）