生成器简介：
通过列表生成式(列表推导式)，我们可以直接创造一个列表。但是，受到内存限制，列表容量肯定是有限的。 而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，要是我们仅仅需要访问前面几个元素， 那后面绝大多数元素占用的空间都会被白白浪费了。所以，如果列表元素可以按照某种算法推导出来，那我 们就可以在循环的过程中不断推算出后续的元素。这样就不必创建完整的list，从而节省大量的空间。在Python 中，这种一边循环一边计算的机制，称为生成器：generator
得到生成器方式：
1.通过列表推导式的方式得到生成器，将外部中括号换为括号。
2.借助函数完成，函数中存在yield，该函数就是一个生成器。
生成器的使用：
一个列表推导式：
newlist = [x + 1 for x in range(10)]
print(type(newlist))
print(newlist)输出：
<class 'list'>
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]仅仅将中括号换为括号。
g = (x + 1 for x in range(10))
print(type(g)) # 一个生成器对象，可迭代
print(g)输出：
<class 'generator'>
<generator object <genexpr> at 0x0000028FC47E5AC0>可以看到，得到了一个生成器。
生成器，可以进行迭代，当迭代到里面没有元素时会报错：StopIteration
生成器可以借助以下方式进行迭代：
next(生成器名) #builtins 系统内置函数
生成器名._next_() #生成器内部方法
g = (x * 3 for x in range(10))
while True:
try:
e = next(g)
s = g.__next__()
print(e)
print(s)
except:
print('生成器的元素已迭代完毕，没有更多元素了！')
break输出：
0
3
6
9
12
15
18
21
24
27
生成器的元素已迭代完毕，没有更多元素了！可见，next()和_next_()可以对生成器进行迭代。且迭代完毕后，再迭代会报错。
用函数定义生成器：
#只要函数里出现了yield关键字，说明函数就不是函数 了，变成了一个生成器对象
步骤：
1.定义一个函数，里面有yield关键字，它决定了函数运行在哪里暂停
2.调用函数，接收调用的结果，结果即为生成器
3.借助next()和_next()_，得到元素
###举例说明###
def func():
n = 0
while True:
n += 1
print(n)
yield n # 动作： return n + 暂停(保留现场)
print('JJ')
g = func()
print(g) # g为生成器对象
print(next(g)) # 调用next()时，程序进入了func()执行代码，直到遇到yield，把n返回并退出函数
print(next(g)) # 第二次调用时，其实是从yield下方开始执行代码1.定义函数后，用一个变量接住调用函数后的返回值，该变量就变成了一个生成器。
2.第一次迭代该生成器的时候，相当于执行了func()函数，并且当执行到yield时，函数暂停，返回n的值。
3.第二次迭代生成器的时侯，函数从yield的下一行开始执行，经while True循环，再到yield 返回n并暂停。
不用递归，得到斐波那契数列：
其中，用到了生成器：
def fib():
i,j = 0,1
while True:
yield i
i,j = j,i+j
fi = fib() #fi是一个可以产生Fibonacci数列的生成器
for i in range(8):
print(fi.__next__())输出：
0
1
1
2
3
5
8
13yield关键字和send(value):
yield是产生的意思，send是递送的意思，可简单理解为yield是生成器向外产生元素，而send是向生成器里递送值的行为。
###举例说明###
def gen():
i = 0
print('jsy')
while i<5:
temp =yield i #先执行关键字操作，返回i，暂停代码；下次再执行时，send给yield一个返回值'你好'
print('temp:',temp)
i +=1
return '没有更多的数据！'
g = gen()
print(g.send(None)) #第一次使用生成器时，不能向生成器传入非空的值(必须空值)
n = g.send('你好')
print(n)
print(next(g))
print(next(g))
print(g.__next__())输出：
jsy
0
temp: 你好
1
temp: None
2
temp: None
3
temp: None
4注意：在第一次迭代时不可以使用send向生成器里传非空值(可以传空值)，因为是生成器的第一 次启动。
生成器第一次启动时，可用send(None)或next()或_next_()。
生成器的应用：
Python里引入了协程的概念，进程>线程>协程。
生成器可在协程中应用，实现线程中多任务的切换。
#例如：迅雷下载文件，可将文件切块分配给多个线程下载，从而使下载速度加快 当一个线程里有多任务时，引入协程
def task1(n):
for i in range(n):
print('正在下载第{}个”文件“'.format(i))
yield None
def task2(n):
for i in range(n):
print('正在吃第%s碗饭'%(i))
yield None
# task1(5)
# task2(5)
#实现函数打印顺序交替执行
g1 = task1(5)
g2 = task2(5)
while True:
try:
g1.__next__()
g2.__next__()
except:
break输出：
正在下载第0个”文件“
正在吃第0碗饭
正在下载第1个”文件“
正在吃第1碗饭
正在下载第2个”文件“
正在吃第2碗饭
正在下载第3个”文件“
正在吃第3碗饭
正在下载第4个”文件“
正在吃第4碗饭迭代器：
1.迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历位置的对象。
2.迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。
3.迭代器只能往前不会后退。
4.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
5.生成器是可迭代的，同时也是迭代器的一种
6.可迭代的不一定是迭代器，迭代器一定可迭代
###如何判断一个对象是可迭代的？
isinstance()
from collections.abc import Iterable
from collections.abc import Iterator #导入后可用来检测是否是迭代器
list1 = [1,2,5,3,6]
print(isinstance(list1,Iterable)) #判断是否是可迭代的
print(isinstance('ass',Iterable))
print(isinstance('ass',Iterator))
print(isinstance(list1,Iterator))
print(isinstance(15,Iterable)) #整型不可迭代
# print(next(list1)) #报错，列表不是迭代器输出：
True
True
False
False
False注意：使用isinstance()可验证出列表，集合，字典，元组是可迭代的。但是它们不能使用next()， 可知它们不是迭代器。
还可以通过collection中的Iterator类型判断：isinstance(' ',Iterator)
###使用iter()将可迭代对象转化为迭代器
list1 = [1,2,3,4,5]
list1 = iter(list1)
print(list1) #利用iter转换为迭代器
print(next(list1))
print(list1.__next__())输出：
<list_iterator object at 0x000002AF077F3C40>
1
2生成器和迭代器(放在一起看)：
生成器：
1.生成器是迭代器的一种，在使用函数来创建生成器时，函数每调用便可产生一个迭代器(生成器)，所以生成器可返回迭代器。
2.在使用生成器运行的过程中，每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回 yield 的值, 并在下一次执行 next() 方法时从当前位置继续运行，所以具有高效性，简洁性，节省内存；且可通过yield关键字位置的变化来完成不同功能的实现，添加了一分灵活性。
3.生成器更多借函数来实现功能。
迭代器：
1.一个迭代器对象必须是定义了__iter__()方法和next()方法的对象。
2.节约内存（循环过程中，数据不用一次读入，在处理文件对象时特别有用，因为文件也是迭代器对象）
3.不依赖索引取值、实现惰性计算(需要时再取值计算)。
