一个简单的Python案例能否帮你搞懂生成器

访客 python案例 2026-06-06 12:39:36 3

本文目录导读：

核心概念
案例1：最简单的生成器
案例2：经典斐波那契数列
案例3：用 next() 手动控制
为什么能“省内存”？—— 本质对比
关键理解

我们来通过一个简单的案例,彻底搞懂 Python 生成器。

生成器的核心思想是惰性求值（Lazy Evaluation）：它不一次性生成所有数据，而是在你需要的时候才一个接一个地“生产”出来，这能极大地节省内存。

核心概念

yield 关键字：生成器函数里用 yield 代替 return。
状态保留：每次调用 next() 时，函数从上次 yield 退出的地方继续执行。
next() 函数：手动获取下一个值。
for 循环：自动获取所有值（更常用）。

案例1：最简单的生成器

对比生成列表和生成器,看内存差异。

# 1. 普通函数：返回一个列表（一次性创建所有数据）
def get_squares_list(n):
    squares = []
    for i in range(n):
        squares.append(i * i)
    return squares
# 2. 生成器函数：每次yield一个值
def get_squares_generator(n):
    for i in range(n):
        yield i * i      # 每次生成一个，暂停在这里
# --- 使用对比 ---
print("普通列表:")
list_result = get_squares_list(5)   # 立即创建 [0, 1, 4, 9, 16]
print(list_result)                  # 输出完整列表
print("\n生成器:")
gen_result = get_squares_generator(5)  # 创建了一个生成器对象，还没有计算任何值！
print(gen_result)                    # 输出：<generator object ...>
# 用for循环逐个取出来（自动调next）
for value in gen_result:
    print(value, end=' ')   # 输出：0 1 4 9 16

案例2：经典斐波那契数列

对比普通函数和生成器的内存消耗。
假设要“生成第1亿个斐波那契数后的100个数”——普通列表会炸内存，生成器毫发无伤。

# 生成器方式：每次只记得前两个数，不保留整个序列
def fibonacci_generator(limit):
    a, b = 0, 1
    count = 0
    while count < limit:
        yield a          # 返回当前值，暂停
        a, b = b, a + b
        count += 1
print("斐波那契数列前10项:")
for num in fibonacci_generator(10):
    print(num, end=' ')  # 0 1 1 2 3 5 8 13 21 34
# 如果极限值很大（比如10^8），普通列表会崩溃，但生成器只占用极少内存

案例3：用 `next()` 手动控制

有时候你不想一次全取完,可以“走一步看一步”。

def countdown(start):
    while start > 0:
        yield start
        start -= 1
    yield "Go!"
gen = countdown(3)
print("手动调用next:")
print(next(gen))  # 3
print(next(gen))  # 2
print(next(gen))  # 1
print(next(gen))  # Go!
# 如果再调一次 next(gen)，会触发 StopIteration 异常（for循环会自动处理）

为什么能“省内存”？—— 本质对比

特性	普通列表（`return [...]`）	生成器（`yield`）
数据存储	全部在内存中	一次只存一个值
读取方式	可以索引、切片、反复使用	只能单向遍历，用后即忘
适用场景	数据量小，需要随机访问	数据量大，只需顺序处理
性能	创建快，但不适合超大序列	创建极快，几乎不占额外内存