初识迭代器与可迭代对象
直接可以作用于 for 循环的数据类型有以下几种：
• 集合数据类型：
list、tuple、dict、set、str (只是可迭代对象，不是迭代器)
• Generator：(既是可迭代对象，又是迭代器)
带 yield 的generator function
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以通过isinstance() 判断一个对象是否是可迭代对象Iterable以及是否是迭代器Iterator，如下示例1所示：
# 迭代器(Iterator)与可迭代对象(Iterable)
from collections import Iterable,Iterator
# isinstance() 函数来判断一个对象是否是一个已知的类型，类似 type()。
print(isinstance('abc', Iterable)) # True ‘’<class 'str'>
print(isinstance([], Iterable)) # True []表示列表
print(isinstance({}, Iterable)) # True <class 'dict'>
print(isinstance((), Iterable)) # True ()表示元组
print(isinstance([], Iterator)) # False
print(isinstance({}, Iterator)) # False
print(isinstance((), Iterator)) # False
m = set('runoob') # 创建一个集合:{'b', 'n', 'o', 'r', 'u'} 集合是一个可迭代对象(Iterable)，但集合不是迭代器(Iterator)
print(isinstance(m, Iterable)) # True
print(isinstance(m, Iterator)) # False运行上述代码，我们可以得知，list、set、dict、 tuple、str 五种数据类型都是可迭代对象(Iterable)，但都不是迭代器(Iterator)。
生成器
在 Python 中，使用了 yield 关键字的函数被称为生成器（generator）。
yield 是一个关键字，用于定义生成器函数，生成器函数是一种特殊的函数，可以在迭代过程中逐步产生值，而不是一次性返回所有结果。
跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。
当在生成器函数中使用 yield 语句时，函数的执行将会暂停，并将 yield 后面的表达式作为当前迭代的值返回。然后，每次调用生成器的 next() 方法或使用 for 循环进行迭代时，函数会从上次暂停的地方继续执行，直到再次遇到 yield 语句。这样，生成器函数可以逐步产生值，而不需要一次性计算并返回所有结果。
调用一个生成器函数，返回的是一个迭代器对象。下面是一个简单的示例，展示了生成器函数的使用：(示例2)
# 生成器
def countdown(n):
while n > 0:
yield n
n -= 1
# 创建生成器对象
generator = countdown(5)
# 通过迭代生成器获取值
print(next(generator)) # 输出: 5
print(next(generator)) # 输出: 4
print(next(generator)) # 输出: 3
# 使用 for 循环迭代生成器
for value in generator:
print(value) # 输出: 2 1 以上实例中，countdown 函数是一个生成器函数。它使用 yield 语句逐步产生从 n 到 1 的倒数数字。在每次调用 yield 语句时，函数会返回当前的倒数值，并在下一次调用时从上次暂停的地方继续执行。
通过创建生成器对象并使用 next() 函数或 for 循环迭代生成器，我们可以逐步获取生成器函数产生的值。在这个例子中，我们首先使用 next() 函数获取前三个倒数值，然后通过 for 循环获取剩下的两个倒数值。
生成器函数的优势是它们可以按需生成值，避免一次性生成大量数据并占用大量内存。此外，生成器还可以与其他迭代工具（如for循环）无缝配合使用，提供简洁和高效的迭代方式。
生成器不但可以用for循环，还可以被next()函数不断获取下一个值，直到最后抛出StopIteration错误，如下示例3所示。
# 生成器
def countdown(n):
while n > 0:
yield n
n -= 1
# 创建生成器对象
generator = countdown(5)
# 通过迭代生成器获取值
print(next(generator)) # 输出: 5
print(next(generator)) # 输出: 4
print(next(generator)) # 输出: 3
# 使用 for 循环迭代生成器
for value in generator:
print(value) # 输出: 2 1
print(next(generator)) # 报错StopIteration示例3的代码在示例2 的基础之后添加了一句 print(next(generator))，执行该句代码，程序会抛出StopIteration错误。这是因为在执行该句代码之前迭代器中的内容已经被迭代完，若再次进行迭代，则会报错StopIteration。
我们来看看生成器对象的类型，如下示例4所示：
from collections import Iterable,Iterator
# 生成器
def countdown(n):
while n > 0:
yield n
n -= 1
# 创建生成器对象
generator = countdown(5)
print(isinstance(generator, Iterable)) # True
print(isinstance(generator, Iterator)) # True执行示例4所述代码，我们发现，生成器对象不仅仅是可迭代对象(Iterable)，同时也是迭代器(Iterator)。
迭代器
可以被next()函数不断返回下一个值的对象称为迭代器Iterator对象。迭代器都是Iterable对象，但是Iterable对象不一定是迭代器Iterator，如 list、dict、str、set、tuple。
a=[1, 2, 3]
x = next(a)
print(x)# TypeError: 'list' object is not an iterator可迭代对象 (Iterable) 变为迭代器 (Iterator)
把list、dict、str、tuple、set 等Iterable变成Iterator，可以使用iter()函数，如下示例5所示：
# iter()函数以及next()函数
a=[1, 2, 3] # a是可迭代对象，但不是迭代器对象
it = iter(a) #创建迭代器对象
x = next(it)
print(x) # 1
y = next(it)
print(y) # 2
z = next(it)
print(z) # 3
m = next(it)
print(m) # 报错 StopIteration我们为了避免报 StopIteration ，一般考虑如下改动，如下示例6所示：
# 首先获得Iterator对象:
it = iter([1, 2, 3])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
print(x) # 1 2 3
except StopIteration:
# 遇到StopIteration就退出循环
break这样改动之后，程序就不会因为StopIteration而报错了。
为什么list、dict、tuple、str、set等数据类型不是迭代器Iterator呢？
Iterator对象表示的是一个数据流，可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出的StopIteration错误。这个数据流可以看作是一个有序序列，但是却不能提前知道序列的长度，只能不断通过next()函数来实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时才会进行计算。
Iterator甚至可以表示一个无限大的数据流，而list、tuple等对象是永远不可能存储无限大的数据的，例如全体自然数。
迭代器 (Iterator) 和可迭代对象 (Iterable) 的区别
（1）迭代器一定是可迭代对象，但可迭代对象不一定是迭代器
（2）只有迭代器对象才能用next方法，也可以使用for循环；可迭代对象可以用for循环，但不能使用next方法
（3）一般可以用iter函数将可迭代对象转变为迭代器对象
（4）可迭代对象会直接将传入对象所有内容读取到内存中，而迭代器是一个个读取，只在需要的时候产生数据