💡简介

写小脚本中的读取文件模块时，copilot 推荐了一段带有 yield 的代码，突然意识到对 Python 的一些进阶用法很不熟悉，正好基于相关资料
^[1]^[2]进行总结。

🖼️背景

当我们需要用到一组数据时，一种简单的方案是把它们全部提前生成/读入，保存在列表变量，存储在内存中。
这种方案的一个明显缺点是：内存占用过大。
- 在日常使用中可能不会造成什么明显后果，但当涉及的数据过多时就会对性能产生很大影响。
- 尤其是面对未知大小的文件，直接读入会导致不可预测的内存占用。

案例——生成斐波那契数列

# 简单方案
def fibonacci(max): 
    n, a, b = 0, 0, 1 
    L = [] 
    while n < max: 
        L.append(b) 
        a, b = b, a + b 
        n = n + 1 
    return L
 
for x in fibonacci(1000): 
    print(x)

🧠解决思路：延迟生成

数据之间可能存在一些逻辑关系，例如：
- 斐波那契数列中，前两个数产生第三个数
- 文件读取时，前一行数据的下一个位置是后一行数据的开头
我们可以用记录数据之间的逻辑关系来代替记录具体数据，更进一步地，仅当需要时才通过之前的数据及逻辑关系获得所需数据，也就是将数据的生成/读入过程延迟到数据被需要的时候。

🔨解决方案 1️⃣：迭代器

将上文中 fibonacci 函数改造为一个使用迭代器的类，迭代器不断生成下一个数。

# 迭代器方案
class Fibonacci: 
 
    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()
 
for x in Fibonacci(1000): 
    print(x)

很显然，这种方案带来的一个问题是复杂的代码格式，需要多写很多配置，不够优雅。

🔨解决方案 2️⃣：yield

使用 yield 关键字，可以很优雅地使函数成为一个生成器 generator。

看起来 fibonacci 函数仍然是个普通函数，但其返回值实际上是一个迭代器。（非常优雅）

# yield方案
def fibonacci(max): 
    n, a, b = 0, 0, 1 
    while n < max: 
        yield b 
        a, b = b, a + b 
        n = n + 1
 
for x in fibonacci(1000): 
    print(x)

f = fibonacci(10) # f 是一个迭代器，由生成器返回生成
while True:
    try:
        print(next(f), end=" ")
    except StopIteration:
        sys.exit()