#带有yield的函数被称为generator(生成器),那么什么是生成器呢？
#首先先理解Yield概念
#如何生成斐波那契数列？
#第一个版本
def
fib0(
num):
n, a, b
=
0,
0,
1
while n
< num:
print
(b)
b, a
= a
+ b, b
n
+=
1
fib0
(
5
)
#输出为1 1 2 3 5
#结果没有问题，但是在fib函数中直接打印每次迭代的结果，
#会使得fib()函数的复用性较差，并且fib返回值为None,其他函数无法获得生成的数列
#第二个版本
def
fib1(
num):
n, a, b
=
0,
0,
1
l
=
[]
while n
< num:
l.
append
(b)
a, b
= b, a
+ b
n
+=
1
return l
for item
in
fib1
(
5
):
print
(item)
#此版本的输出也是1 1 2 3 5乍看之下也没问题，也提高了复用性
#但是有没有问题呢？如果输入一个很大的数，list所占用的内存就让人有点不想接受了
#所以如果想要不占用这么大的内存那么该如何办呢？
#第三个版本，通过迭代对象来迭代
#举个栗子
for x
in
range
(
1000
):
pass
#在这个操作执行过程中，通过每次迭代返回下一个数值，并不会产生长度为1000的任何数据结构
# 而是返回一个可迭代对象，内存空间占用很小，如果做到似乎可以满足我们的需求，那么开始实现
#第三个版本
class
Fib:
def
__init__(
self,
num):
self.num
= num
self.n,
self.a,
self.b
=
0,
0,
1
def
__iter__(
self):
return
self
def
__next__(
self):
if
self.n
<
self.num:
res
=
self.b
self.a,
self.b
=
self.b,
self.a
+
self.b
self.n
=
self.n
+
1
return res
raise
StopIteration
()
#迭代器迭代到最后的信号
#类Fib通过next()函数不断返回数列的下一个数，使得内存占用始终为常数级
for item
in
Fib
(
5
):
print
(item)
it
=
Fib
(
5
).
__iter__
()
print
(
"
第三版本
"
, it.
__next__
())
print
(
"
第三版本
"
, it.
__next__
())
print
(
"
第三版本
"
, it.
__next__
())
print
(
"
第三版本
"
, it.
__next__
())
print
(
"
第三版本
"
, it.
__next__
())
#此版本的Fib类最终也成功输出1 1 2 3 5实现了通过迭代对象产生斐波那契数列
#但是这个版本的Python代码和第一版本的相比较过于复杂，不符合Python代码的一贯作风
#所以此时若想实现相同的迭代效果，并且代码又要很简洁，yield就派上用场了
#第四版本
def
fib2(
num):
n, a, b
=
0,
0,
1
while n
< num:
yield b
a, b
= b, a
+ b
n
+=
1
for item
in
fib2
(
5
):
print
(item)
#最终也是成功输出1 1 2 3 5，此版本和第一版本相比唯一修改的地方就是将原本的print()
#更改为yield
#在生成器函数的执行过程中，当for循环开始被使用时，首先获得fib2(5)的迭代器，之后对循环进行迭代操作
it
=
fib2
(
5
).
__iter__
()
print
(
"
生成器迭代
"
, it.
__next__
())
print
(
"
生成器迭代
"
, it.
__next__
())
print
(
"
生成器迭代
"
, it.
__next__
())
print
(
"
生成器迭代
"
, it.
__next__
())
print
(
"
生成器迭代
"
, it.
__next__
())
it
=
fib2
(
5
)
#这个和上述那个一样，都是返回生成器类型，均可用于迭代
print
(
type
(it))
#简单地讲，yield 的作用就是把一个函数变成一个 generator，
# 带有 yield 的函数不再是一个普通函数，
# Python 解释器会将其视为一个 generator，
# 调用 fab(5) 不会执行 fab 函数，
# 而是返回一个 iterable 对象！
# 在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，
# 执行到 yield b 时，fab 函数就返回一个迭代值，
# 下次迭代时，代码从 yield b 的下一条语句继续执行，
# 而函数的本地变量看起来和上次中断执行前是完全一样的，
# 于是函数继续执行，直到再次遇到 yield。
#总结:一个带有 yield 的函数就是一个 generator，
# 它和普通函数不同，生成一个 generator 看起来像函数调用，
# 但不会执行任何函数代码，直到对其调用 next()（在 for 循环中会自动调用 next()）才开始执行。
# 虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，
# 并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。
# 看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，
# 每次中断都会通过 yield 返回当前的迭代值。
#yield 的好处是显而易见的，
# 把一个函数改写为一个 generator 就获得了迭代能力，
# 比起用类的实例保存状态来计算下一个 next() 的值，
# 不仅代码简洁，而且执行流程异常清晰。
#如何判断一个函数是否是一个特殊的 generator 函数？可以利用 isgeneratorfunction 判断：
from inspect
import isgeneratorfunction
print
(
isgeneratorfunction
(fib2))
#此处需要注意fib2和fib2(5)的区别， fib2是一个生成器函数，而fib2(5)是调用fib2中的函数
#返回的一个generator实例,就好比类的定义和类的实例之间的区别
print
(
type
(fib2))
#fib2是一个函数类型
print
(
isgeneratorfunction
(
fib2
(
5
)))
#fib2(5)是一个生成器类型
#return作用 在一个generator function中，如果没有return，则默认执行至函数完毕
#如果在执行过程中return，则直接抛出StopIteration终止迭代
#另一个yield的例子来源于文件读写，如果直接对文件执行read()操作,会导致不可预测的内存占用
#比较好的方法是利用固定长度的缓冲区来不断读取文件内容。
#通过yield使得我们不必编写读文件的迭代类，就可以轻松实现文件读取
#yield读文件的例子
def
read_file(
fpath):
BLOCK_SIZE
=
1024
with
open
(fpath,
'
rb
'
)
as f:
block
= f.
read
(
BLOCK_SIZE
)
if block:
yield block
else:
return
path
=
'
SmallTasks.txt
'
for item
in
read_file
(path):
pass