Python高级应用系列（五）：生成器与协程——从迭代器到异步编程

本文深入探讨Python生成器与协程的核心机制，从迭代器协议到异步编程，带你全面掌握这一高效编程范式。

前言

在Python编程中，处理大规模数据时，内存效率往往成为性能瓶颈。传统的列表存储方式会将所有数据一次性加载到内存中，当数据量达到百万甚至亿级别时，程序很容易因内存耗尽而崩溃。生成器（Generator）的出现完美解决了这一问题——它采用"惰性求值"策略，按需生成数据，极大降低了内存占用。

而协程（Coroutine）则是在生成器基础上发展而来的异步编程利器，它让Python能够以单线程实现高并发，彻底改变了我们编写网络IO密集型应用的方式。

本篇文章将系统性地讲解：

• 迭代器协议的底层实现
• 生成器的各种高级用法
• 协程与异步编程的核心概念
• 实际场景中的应用技巧

目录

1. 迭代器协议：可迭代对象的基石
2. 生成器函数：yield的魔力
3. 生成器表达式：简洁的惰性计算
4. 生成器的高级状态控制
5. yield from：优雅的委托机制
6. 协程基础：async与await
7. 生成器与协程的区别
8. 实际应用场景
9. 性能对比：生成器vs列表
10. 总结

一、迭代器协议：可迭代对象的基石

1.1 什么是迭代器协议

Python的迭代器协议定义了两个核心方法：

• __iter__()：返回迭代器对象自身
• __next__()：返回序列中的下一个值，无元素时抛出StopIteration异常

任何实现了这两个方法的对象都被称为迭代器（Iterator）。

1.2 自定义迭代器示例

class CountDown: """自定义倒计时迭代器""" def __init__(self, start): self.start = start def __iter__(self): # 返回迭代器对象自身 return self def __next__(self): # 返回下一个值，或抛出StopIteration if self.start <= 0: raise StopIteration self.start -= 1 return self.start + 1 # 使用自定义迭代器 counter = CountDown(5) for num in counter: print(num, end=' ') # 输出: 5 4 3 2 1

1.3 可迭代对象 vs 迭代器

# 验证可迭代对象和迭代器的区别 my_list = [1, 2, 3] # list是可迭代对象，但不是迭代器 print(hasattr(my_list, '__iter__')) # True print(hasattr(my_list, '__next__')) # False # 通过iter()获取迭代器 list_iter = iter(my_list) print(hasattr(list_iter, '__next__')) # True # 迭代器只能遍历一次 print(list(list_iter)) # [1, 2, 3] print(list(list_iter)) # [] - 已耗尽

二、生成器函数：yield的魔力

2.1 生成器的基本概念