本篇也是参考学习了某博主的博文，获益匪浅，此博主的技术栈和我目前走的路线应该是最接近的，有空好好学习下。
看完博主的python全栈学习之路感觉跟半年前的我经历神似！
这篇好好读完对于python的理解绝对能提升一个等级，耐心敲代码，不要只是看的懂就ok，看得懂并没完事，写代码远没这么简单，这是我最近最大的感慨！在刷leetcode的时候，我觉得就是，只有日积月累不断地练习，用到的东西绝对比单纯去记忆要容易掌握的多！总之就是--
多解决实际的问题而不是只学不用，用不到的东西很难记得牢。
以项目和题目练习驱动编程。
附上链接：https://www.cnblogs.com/wj-1314/p/8490822.html
之前对生成器和迭代器没有深入的理解和学习，今天借刷题的机会深入学一学，从最直观的角度来说，生成器存在的意义是什么？
最大的作用之一就是节省内存！举个简单的例子，假设要访问一个100万数据层级的前几个数据，如果用列表推导式，那么将会存储100万个数据到列表，这要占据十分巨大的内存，而yield可以解决这个问题，不占内存，随取随用。
什么是生成器？
在Python中，一边循环一边计算的机制，称为生成器：generator
怎样创建一个生成器？
python中要创建一个generator，有很多种方法，第一种方法很简单，只要把一个列表生成式的[]中括号改为（）小括号，就创建一个generator
ls = [x for x in range(10)] #列表推导式
print(ls)
generator_ex = (x for x in range(10)) #小括号表示一个列表生成器
print(generator_ex)
print(next(generator_ex))
for i in generator_ex:
print(i)
output：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
<generator object <genexpr> at 0x7f916c0a5390>
0
1
2
3
4
5
6
7
8
9一般情况下，还是不会用next()来获取值，太麻烦了，用个for循环可以很好操作。
生成器函数：也是用def定义的，利用关键字yield一次性返回一个结果，阻塞，重新开始
yield相当于一个return的东西，返回一个生成器
生成器表达式：返回一个对象，这个对象只有在需要的时候才产生结果
对yield的总结
（1）通常的for..in...循环中，in后面是一个数组，这个数组就是一个可迭代对象，类似的还有链表，字符串，文件。他可以是a = [1,2,3]，也可以是a = [x*x for x in range(3)]。
它的缺点也很明显，就是所有数据都在内存里面，如果有海量的数据，将会非常耗内存。
（2）生成器是可以迭代的，但是只可以读取它一次。因为用的时候才生成，比如a = (x*x for x in range(3))。!!!!注意这里是小括号而不是方括号。
（3）生成器（generator）能够迭代的关键是他有next()方法，工作原理就是通过重复调用next()方法，直到捕获一个异常。
（4）带有yield的函数不再是一个普通的函数，而是一个生成器generator，可用于迭代
（5）yield是一个类似return 的关键字，迭代一次遇到yield的时候就返回yield后面或者右面的值。而且下一次迭代的时候，从上一次迭代遇到的yield后面的代码开始执行
（6）yield就是return返回的一个值，并且记住这个返回的位置。下一次迭代就从这个位置开始。
（7）带有yield的函数不仅仅是只用于for循环，而且可用于某个函数的参数，只要这个函数的参数也允许迭代参数。
（8）send()和next()的区别就在于send可传递参数给yield表达式，这时候传递的参数就会作为yield表达式的值，而yield的参数是返回给调用者的值，也就是说send可以强行修改上一个yield表达式值。
（9）send()和next()都有返回值，他们的返回值是当前迭代遇到的yield的时候，yield后面表达式的值，其实就是当前迭代yield后面的参数。
（10）第一次调用时候必须先next（）或send（）,否则会报错，send后之所以为None是因为这时候没有上一个yield，所以也可以认为next（）等同于send(None)
# 函数有了yield之后，函数名+（）就变成了生成器
# return在生成器中代表生成器的中止，直接报错
# next的作用是唤醒并继续执行
# send的作用是唤醒并继续执行，发送一个信息到生成器内部
# 用生成器函数实现斐波那契数列
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n += 1
return "done"
for i in fib(6):
print(i)
output:
1
1
2
3
5
8
#但是这里是获取不了return的值的，如果需要获取的话，就要使用异常处理，如下。
g = fib(6) #这是一个生成器
while True:
try:
x = next(g)
print('generator: ',x)
except StopIteration as e: #StopIteration是抛出报错，可以在里面获取到return的值
print("生成器返回值：",e.value)
break
生成器表达式和生成器函数了解的差不多了，下面来说下迭代器！
一个实现了iter方法的对象时可迭代的（Iterable），一个实现next方法的对象是迭代器（Iterator）
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
生成器都是Iterator，但list、dict、str虽然是Iterable（可迭代对象），却不是Iterator（迭代器）。
把list、dict、str等Iterable变成Iterator可以使用iter()函数。
那么问题来了，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数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它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
就比如下面的例子：
s='hello' #字符串是可迭代对象，但不是迭代器
l=[1,2,3,4] #列表是可迭代对象，但不是迭代器
t=(1,2,3) #元组是可迭代对象，但不是迭代器
d={'a':1} #字典是可迭代对象，但不是迭代器
set={1,2,3} #集合是可迭代对象，但不是迭代器
f=open('test.txt') #文件是可迭代对象，是迭代器
可以使用isinstance()判断一个对象是否是Iterator对象：
#以字符串举个栗子：
s = 'hello'
from collections import Iterator
from collections import Iterable
print(isinstance(s, Iterator))
print(isinstance(s, Iterable))
print(isinstance(iter(s), Iterator))
output：
False
True
True到此对生成器和迭代器的理解也就七七八八了，如果想要更多的了解，Stackoverflow是一个不错的选择，讲的也很详细，在此附上链接：http://stackoverflow.com/questions/231767/what-does-the-yield-keyword-do-in-python