Python生成器和迭代器的核心价值在于惰性计算——不提前生成全部数据，而是在需要时才产出下一个值，节省内存、提升响应速度，适合大数据流、无限序列或I/O密集型任务。
Python生成器和迭代器的核心价值在于惰性计算——不提前生成全部数据，而是在需要时才产出下一个值。这节省内存、提升响应速度，特别适合处理大数据流、无限序列或I/O密集型任务。
迭代器：支持next()的“一次消耗”对象
迭代器是实现了__iter__()和__next__()方法的对象，每次调用next()返回一个元素，耗尽后抛出StopIteration。它本身不存储全部数据，只保存当前状态。
- 内置容器（如list、str、dict）可被
iter()转为迭代器 - 手动实现迭代器需管理索引/状态，较繁琐，一般推荐用生成器替代
- 典型用途：逐行读大文件（
for line in open('big.log'):背后就是文件迭代器）
生成器：用yield写的轻量迭代器
生成器函数写起来更简洁：函数中只要含yield语句，调用它就返回生成器对象（即迭代器），而非直接执行函数体。
-
yield暂停函数并交出值，下次从暂停处继续执行 - 无需手动实现
__next__()，Python自动处理状态保存与恢复 - 示例：生成斐波那契数列前n项（但只需前10项时，不会算到第1000项）
def fib_gen(n):
a, b = 0, 1
for _ in range(n):
yield a
a, b = b, a + b
只取前5个，后面根本不会计算
for x in fib_gen(1000):
if x > 100: break
print(x) # 输出 0 1 1 2 3 5 8 13 21 34 55 89
惰性计算的实际好处
不是“炫技”，而是解决真实瓶颈：
立即学习“Python免费学习笔记（深入）”；
-
内存友好：读取GB级日志文件时，用
open().readlines()会一次性加载全部进内存；而用for line in file:（本质是迭代器）只存当前行 -
延迟执行：API分页请求可封装为生成器，每调用一次
next()才发一次HTTP请求，避免预加载所有页 -
组合灵活：多个生成器可链式调用（如
filter、map返回的也是惰性迭代器），形成数据流水线，全程不构建中间列表
注意：生成器只能遍历一次
生成器对象是单次使用的。遍历完即空，再次遍历时不会重头开始，而是立即结束。
- 想重复使用？要么重新调用生成器函数，要么转成
list（但会失去惰性优势） - 调试时误用
list(gen)可能触发全部计算，导致卡顿或OOM，要小心 - 可用
itertools.tee()复制迭代器，但会缓存已产生的值，权衡内存与复用性
