生成器是python中一个很有趣的概念，不只是有趣，而且很实用。
我们经常需要生成数组，一般来说，数组占据内存的大小和数组的长度有直接关系。数组中的元素越多，长度越长，占据的空间也越大。下面的代码中，我们初始化3个列表，并分别存放10，100，1000个元素：
import sys
l1 = list()
l2 = list()
l3 = list()
for i in range(10):
l1.append(i)
for i in range(100):
l2.append(i)
for i in range(1000):
l3.append(i)
print('size of l1:'+str(sys.getsizeof(l1)))
print('size of l2:'+str(sys.getsizeof(l2)))
print('size of l3:'+str(sys.getsizeof(l3)))输出如下结果：
size of l1:192
size of l2:912
size of l3:9024可以预见，当数组内的元素变得更多时，数组占用的空间会继续增大。如果开发者在程序运行之前不能确定数组长度的范围，那么这种动态数组会为程序的运行带来极高的风险。类似的还有读取文件，如果文件很大，直接读入内存可能会直接导致程序的崩溃。对于这个问题，聪明的程序员们自然不会坐以待毙，他们提出了这样的解决方案：如果列表元素可以按照某种算法推算出来，那就可以在循环的过程中不断推算出后续的元素，避免创建完整的数组，从而节省空间。于是生成器的概念就产生了。接下来举一个很有代表性的例子：计算斐波那契数列。网上关于迭代器的资料几乎都提到了这个例子。
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print b
a, b = b, a + b
n = n + 1
fib(6)得到的结果为：
1
1
2
3
5
8fib函数定义了斐波拉契数列的推算规则，每一次循环都可以打印对应的值。不过用print()并不适合函数的复用，而return又会直接导致函数返回。于是python提供了yield关键字，它的功能和return类似，也是向调用者“返回”值，一个函数一旦带上yield关键字，它就不再是一个普通函数，而是一个生成器（具体原理以后介绍）。大致的流程是，生成器在调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。切记不要从函数的角度去看待生成器，这样会很难理解，实在难以接受的话可以把函数当作一个“线程”，遇到yield则“中断”，调用next()继续执行，直至结束为止。接下来，我们写一个生成器，看看它到底有什么好处：
import sys
def generator():
i = 0
while i < 10000:
yield i
i += 1
g = generator
print('size of generator:'+str(sys.getsizeof(g)))输出结果为：
size of generator:136这个生成器可以生成0-9999共10000个数字，占用存储空间比上面的数组l1还要小。其实，第一个例子中的range()函数也是生成器：
import sys
print('size of range(10):'+str(sys.getsizeof(range(10))))
print('size of range(100):'+str(sys.getsizeof(range(100))))
print('size of range(1000):'+str(sys.getsizeof(range(1000))))结果显示range(10),range(100),range(1000)占用的空间是相同的。
size of range(10):48
size of range(100):48
size of range(1000):48所以，如果一个可迭代对象能够以生成器的方式实现，那就尽量用生成器实现。下一篇博文我会具体说说生成器的原理。