老板下达了一个任务，说是要每天遍历一百万数据，找到日志中重要地段的信息，重新记录存放？到底要怎么搞呢？

小张回答说列表生成式不就可以嘛，老板笑而不语。小王答曰用生成器吧。此时，老板开心地点了点头。

小张不明白，列表就可以很好处理的问题，为什么要用生成器呢？

后来，小张明白了......

生成器 generator

我们知道，通过列表生成式，我们可以直接创建一个列表。但是，受客观条件影响，我们使用的机器都是受到内存限制，所以列表容量肯定是有限的。这样生成一个列表不仅占用内存，如果我们只需要访问一部分值，还会造成大量的内存浪费。

在Python2中可以做一个尝试，感兴趣的不妨试试。

打开IDE交互界面，进入Python交互窗口，range(1000000)试试，不行可以range(10000000)再试试，那时候就可以很明显的感受到内存计算的差别了。

正是因为这个缺点，在python3中对range进行了优化，range(10000)得到的结果是range（0,10000），这样的一个生成式了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢?

像上面这个循环，每次循环只是+1而已，我们完全可以写一个算法，让他执行一次就自动1，这样就不必创建完整的，从而节省大量的空间。

在 Python中，这种一边循环一边计算后面元素的机制，称为生成器: generator

生成器的生成

要创建一个 gonerator，有很多种方法。

第一种方法很简，只要把一个列表生成式的改成（）的形式，就创建了个gonerator

>>> [ x for x in range(10)]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> ( x for x in range(10))
 at 0x000002C103210E40>
>>> g = ( x for x in range(10))

如上面的代码所示，我们可以直接得出列表的所有元素。那么，生成器要怎么访问呢？

生成器的元素获取

next（）

生成器的元素，如果要一个一个打印出来，可以通过next(）函，获得generator的下一个返回值。

>>> g = ( x for x in range(10))
>>> next(g)
0
>>> next(g)
1
>>> next(g)
2
>>> next(g)
3
>>> next(g)
4
>>> next(g)
5
>>> next(g)
6
>>> next(g)
7
>>> next(g)
8
>>> next(g)
9
>>> next(g)
Traceback (most recent call last):
  File "", line 1, in 
    next(g)
StopIteration

此时，我们每一次调用next就会生成一个新的元素，直到最后的时候会抛出一个异常，而这个异常，我们可以通过后面的方法规避掉。

for循环

当然，上面这种不断调用next(g)实在是太变态了。正确的方法是使用tor循环，因为 gonorator也是可选代(遍历)对象。

g = ( x for x in range(10))
for i in g:
    print(i)

0
1
2
3
4
5
6
7
8
9

通过for循环来迭代它，就不需要关心会不会抛异常了。

生成器函数

特点：动态获取数据，循环一次，计算一次，执行一次

生成器函数：具有yield语句。

案例：生成器的思想解决斐波那契数列

原始的方法

a = 0
b = 1
count = 0
while count < 20:
    temp = a
    a = b
    b = a + b
    count += 1
    print("b:",b)

生成器函数的方法

def fib(n):
    a = 0
    b = 1
    count = 0
    while count < n:
        temp = a
        a = b
        b = a + b
        count += 1
        yield b
for i in fib(20):
    print("i:", i)

那为什么要用生成器呢？显然，用生成器在逼格上高，性能高效，为什么不用呢？