Python进阶必备：彻底搞懂迭代器（Iterator）和生成器（Generator）

很多Python学习者学到这里就卡住了——iter()、next()、yield、生成器表达式……这些概念绕来绕去，到底有什么区别？什么时候该用哪个？今天一篇文章给你彻底讲透。

一、先来回答一个灵魂拷问

问：为什么有了列表（list）、元组（tuple）这些容器，还需要迭代器和生成器？

答：因为内存。

看个例子：

# 一个包含1亿个数字的列表nums_list=[iforiinrange(100000000)]# 占用约800MB内存，直接撑爆

如果换成生成器：

# 生成器：惰性计算，一次只产生一个值nums_gen=(iforiinrange(100000000))# 几乎不占内存

这就是迭代器和生成器存在的最大意义——惰性求值（Lazy Evaluation），需要的时候才计算，不需要的时候不占内存。

二、迭代器（Iterator）—— 一个可以“记住遍历位置”的对象

1. 什么是迭代器？

迭代器是一个可以记住遍历位置的对象。它从第一个元素开始访问，直到所有元素被访问完结束。迭代器只能往前走，不能后退。

核心特点：

• 迭代器是一个对象，实现了__iter__()和__next__()两个方法
• 通过next()函数可以逐个获取元素
• 当没有元素时，抛出StopIteration异常

2. 可迭代对象（Iterable） vs 迭代器（Iterator）

很多初学者分不清这两个概念：

简单理解：可迭代对象是“可以卖票的体育馆”，迭代器是“正在排队入场的人群”。体育馆（可迭代对象）可以多次生成新的队伍（迭代器）。

# 判断是否为可迭代对象 / 迭代器fromcollections.abcimportIterable,Iterator my_list=[1,2,3]print(isinstance(my_list,Iterable))# True → 可迭代print(isinstance(my_list,Iterator))# False → 不是迭代器my_iterator=iter(my_list)print(isinstance(my_iterator,Iterable))# Trueprint(isinstance(my_iterator,Iterator))# True

3.iter()和next()的用法

iter()函数用于获取一个可迭代对象的迭代器。next()函数用于获取迭代器的下一个元素。

# 基本用法my_list=[10,20,30]it=iter(my_list)# 获取迭代器print(next(it))# 输出: 10print(next(it))# 输出: 20print(next(it))# 输出: 30print(next(it))# 抛出 StopIteration 异常

安全用法：使用for循环自动捕获StopIteration异常。

my_list=[10,20,30]foriteminmy_list:# for 循环底层自动调用了 iter() 和 next()print(item)

4. 自定义迭代器（面试常考）

通过定义一个类，实现__iter__()和__next__()方法，就可以创建自定义迭代器。

classCountDown:"""自定义迭代器：从 n 倒数到 1"""def__init__(self,n):self.n=ndef__iter__(self):returnself# 迭代器返回自身def__next__(self):ifself.n<=0:raiseStopIteration# 必须抛出异常表示结束value=self.n self.n-=1returnvalue# 使用fornuminCountDown(5):print(num)# 输出: 5, 4, 3, 2, 1

三、生成器（Generator）—— 更优雅的迭代器

1. 什么是生成器？

生成器是一种特殊的迭代器，它使用yield关键字而不是return来返回值。

核心特点：

• 生成器用yield返回值，函数不会结束，而是暂停并保存当前状态
• 下次调用next()时，从暂停处继续执行
• 生成器是惰性求值的，需要时才产生数据

2. 创建生成器的两种方式

方式一：生成器函数（使用yield）

defcount_down(n):"""生成器函数：从 n 倒数到 1"""whilen>0:yieldn# 返回 n，但函数暂停在这里n-=1# 调用生成器函数，返回一个生成器对象（不会立即执行）g=count_down(5)print(next(g))# 输出: 5print(next(g))# 输出: 4print(next(g))# 输出: 3print(next(g))# 输出: 2print(next(g))# 输出: 1# print(next(g)) # 抛出 StopIteration

关键理解：当函数执行到yield n时：

1. 把n返回给调用方
2. 函数暂停在这里，保存所有局部变量（n的值等）
3. 下次调用next(g)时，从yield的下一行继续执行

方式二：生成器表达式

# 列表推导式 vs 生成器表达式list_comp=[x*2forxinrange(5)]# 列表 → 立即计算，占用内存gen_exp=(x*2forxinrange(5))# 生成器 → 惰性计算，不占内存print(list_comp)# [0, 2, 4, 6, 8]print(gen_exp)# <generator object <genexpr> at 0x...>forvalueingen_exp:print(value)# 逐个输出: 0, 2, 4, 6, 8

3.yield的核心用法详解

yield是生成器最重要的关键字，它的核心作用可以用一句话概括：

yield让函数变成“可暂停、可恢复”的状态机。

基本用法：产生值

deffibonacci(n):"""生成斐波那契数列的前 n 项"""a,b=0,1count=0whilecount<n:yielda a,b=b,a+b count+=1fornuminfibonacci(10):print(num)# 0, 1, 1, 2, 3, 5, 8, 13, 21, 34

进阶用法：yield接收外部值（send()方法）

生成器不仅可以产出值，还可以接收外部传入的值：

defecho():"""生成器可以接收外部发送的值"""whileTrue:received=yield# 接收外部值print(f"收到:{received}")g=echo()next(g)# 预激活生成器，执行到 yieldg.send("Hello")# 发送值给生成器 → 输出: 收到: Hellog.send("World")# 发送值给生成器 → 输出: 收到: World

send()和next()的区别：

• next(g)：让生成器继续执行，直到遇到下一个yield
• g.send(value)：让生成器继续执行，并把value作为当前yield表达式的返回值

进阶用法：yield from（委托给子生成器）

yield from用于将迭代任务委托给另一个生成器，常用于扁平化嵌套结构：

defsub_generator():yield1yield2yield3defmain_generator():yield"开始"yieldfromsub_generator()# 委托给子生成器yield"结束"forvalueinmain_generator():print(value)# 输出: 开始, 1, 2, 3, 结束

实际应用：扁平化嵌套列表

defflatten(nested_list):"""将嵌套列表扁平化"""foriteminnested_list:ifisinstance(item,list):yieldfromflatten(item)# 递归委托else:yielditem nested=[1,[2,3],[4,[5,6]]]forvalueinflatten(nested):print(value)# 输出: 1, 2, 3, 4, 5, 6

四、迭代器 vs 生成器：一张表看懂区别

五、实战案例：什么时候用生成器？

案例1：读取超大文件（最常见场景）

defread_large_file(file_path):"""逐行读取超大文件，不一次性加载到内存"""withopen(file_path,'r',encoding='utf-8')asf:forlineinf:yieldline.strip()# 处理10GB的日志文件forlineinread_large_file("huge_log.txt"):if"ERROR"inline:print(line)# 逐行处理，内存安全

案例2：无限序列（你不知道什么时候结束）

definfinite_counter():"""无限计数器：从0开始一直数下去"""n=0whileTrue:yieldn n+=1counter=infinite_counter()print(next(counter))# 0print(next(counter))# 1print(next(counter))# 2# ... 可以无限取下去，不会内存溢出

案例3：流式处理数据管道

defread_data():"""读取原始数据"""foriinrange(10):yieldideffilter_even(data_stream):"""过滤出偶数"""forvalueindata_stream:ifvalue%2==0:yieldvaluedefsquare(data_stream):"""计算平方"""forvalueindata_stream:yieldvalue*value# 构建处理管道：读取 → 过滤偶数 → 求平方pipeline=square(filter_even(read_data()))forresultinpipeline:print(result)# 0, 4, 16, 36, 64

六、常见面试题汇总

Q1：return和yield有什么区别？

Q2：生成器是一次性的吗？

是的。生成器遍历完后不能重置，需要重新创建。

g=(xforxinrange(3))print(list(g))# [0, 1, 2]print(list(g))# [] → 已经消耗完了！

Q3：iter()和next()的作用？

• iter(obj)：获取对象的迭代器（调用对象的__iter__()方法）
• next(it)：获取迭代器的下一个元素（调用迭代器的__next__()方法）

七、总结：一张图记住所有内容

可迭代对象 (Iterable) (实现了 __iter__) │ │ iter() ▼ ┌──────────────┐ │ 迭代器 (Iterator) │ │ __iter__ + __next__│ └──────────────┘ │ │ next() ▼ 逐个获取元素 (惰性求值) ┌───────────────────────────────────┐ │ 生成器 (Generator) │ │ 特殊的迭代器，用 yield 实现 │ │ 更简洁，自动保存状态 │ └───────────────────────────────────┘ │ ┌──────────────┴──────────────┐ │ │ 生成器函数 生成器表达式 (使用 yield) (使用小括号)

一句话核心记忆：

• 迭代器：实现了__iter__和__next__的“状态机”
• 生成器：用yield写出来的迭代器，更简单、更优雅
• iter()：拿门票（获取迭代器）
• next()：往前走一步（获取下一个元素）
• yield：暂停并返回，下次继续

八、写在最后

迭代器和生成器是Python中非常优雅的设计，它们让我们可以用极低的内存消耗处理海量数据。在接口自动化测试中，你可能用它来读取测试数据文件、处理分页接口的响应数据、实现流式断言等等。

掌握它们，你的Python水平就迈入了“进阶”的大门。