生成器 推导式
约 506 字大约 2 分钟
2026-02-05
核心原理
基于惰性求值（按需生成数据），无需预生成所有数据，仅记录生成规则，通过yield关键字实现函数的暂停 / 恢复执行，是时间换空间的核心方案，内存占用远低于列表。
核心形式
# 形式1：生成器表达式 → () 替代列表推导式的 []，极简语法，适合简单逻辑
# 对比：列表推导式一次性生成所有数据，占满内存；生成器仅记录规则，内存占用KB级
list_data = [x * 2 for x in range(1000000)] # 占用约800MB内存
gen_data = (x * 2 for x in range(1000000)) # 占用约几十KB内存
# 形式2：生成器函数 → yield 逐个返回结果，支持复杂业务逻辑，适合自定义生成规则
# 示例：生成斐波那契数列（无限序列/大数据序列首选）
def gen_fib(n):
"""生成前n个斐波那契数"""
a, b = 0, 1
for _ in range(n):
yield a # 暂停执行，返回当前值；下次调用从下一行继续
a, b = b, a + b
# 生成器使用：通过next()或for循环迭代，一次生成一个数据
fib_gen = gen_fib(5)
print(next(fib_gen)) # 0
print(next(fib_gen)) # 1
for num in fib_gen:
print(num) # 1, 2, 3（剩余元素）核心优势
- 极低内存占用，适合大数据集处理、流式数据解析（如日志文件、网络流）；
- 支持无限序列（如斐波那契、自增 ID），列表无法实现；
- 函数执行可暂停，适合分步执行的场景。
核心限制与避坑
- 生成器仅可迭代一次，数据生成后即销毁，二次迭代无结果；
- 无法通过
len()获取长度，需手动迭代计数； - 生成器内的异常需在迭代时捕获，定义时不触发。
核心场景
大数据集处理、流式数据解析、爬虫分页数据获取、避免一次性加载数据导致的内存溢出。