Python迭代器，生成器--精华中的精华

1. 迭代器

迭代器是访问集合元素的一种方式。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。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件。

特点：

a）访问者不需要关心迭代器内部的结构，仅需通过next()方法或不断去取下一个内容

b）不能随机访问集合中的某个值 ，只能从头到尾依次访问

c）访问到一半时不能往回退

d）便于循环比较大的数据集合，节省内存

e）也不能复制一个迭代器。如果要再次（或者同时）迭代同一个对象，只能去创建另一个迭代器对象。enumerate()的返回值就是一个迭代器，我们以enumerate为例：

 a = enumerate(['a','b'])
 
for i in range(2):    #迭代两次enumerate对象
     for x, y in a:
         print(x,y)
     print(''.center(50,'-')) 

结果：

0 a
1 b
--------------------------------------------------
--------------------------------------------------

可以看到再次迭代enumerate对象时，没有返回值；

我们可以用linux的文件处理命令vim和cat来理解一下：

a) 读取很大的文件时，vim需要很久，cat是毫秒级；因为vim是一次性把文件全部加载到内存中读取；而cat是加载一行显示一行

b) vim读写文件时可以前进，后退，可以跳转到任意一行；而cat只能向下翻页，不能倒退，不能直接跳转到文件的某一页（因为读取的时候这个“某一页“可能还没有加载到内存中）

正式进入python迭代器之前，我们先要区分两个容易混淆的概念：可迭代对象和迭代器；

可以直接作用于for循环的对象统称为可迭代对象(Iterable)。

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)。

所有的Iterable均可以通过内置函数iter()来转变为Iterator。

1）可迭代对象

首先，迭代器是一个对象，不是一个函数；是一个什么样的对象呢？就是只要它定义了可以返回一个迭代器的__iter__方法，或者定义了可以支持下标索引的__getitem__方法，那么它就是一个可迭代对象。

python中大部分对象都是可迭代的，比如list，tuple等。如果给一个准确的定义的话，看一下list，tuple类的源码，都有__iter__(self)方法。

常见的可迭代对象：

a) 集合数据类型，如list、tuple、dict、set、str等；

b) generator，包括生成器和带yield的generator function。

注意：生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator，关于生成器，继续往下看

如何判断一个对象是可迭代对象呢？可以通过collections模块的Iterable类型判断：

>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

2）迭代器

一个可迭代对象是不能独立进行迭代的，Python中，迭代是通过for ... in来完成的。

for循环在迭代一个可迭代对象的过程中都做了什么呢？

a）当for循环迭代一个可迭代对象时，首先会调用可迭代对象的__iter__()方法，然我们看看源码中关于list类的__iter__()方法的定义：

def __iter__(self, *args, **kwargs): # real signature unknown
    """ Implement iter(self). """
    pass

__iter__()方法调用了iter(self)函数，我们再来看一下iter()函数的定义：

def iter(source, sentinel=None): # known special case of iter
    """
    iter(iterable) -> iterator
    iter(callable, sentinel) -> iterator
 
    Get an iterator from an object.  In the first form, the argument must
    supply its own iterator, or be a sequence.
    In the second form, the callable is called until it returns the sentinel.
    """
    pass

iter()函数的参数是一个可迭代对象，最终返回一个迭代器

b) for循环会不断调用迭代器对象的__next__()方法(python2.x中是next()方法)，每次循环，都返回迭代器对象的下一个值，直到遇到StopIteration异常。

>>> lst_iter = iter([1,2,3])
>>> lst_iter.__next__()
1
>>> lst_iter.__next__()
2
>>> lst_iter.__next__()
3
>>> lst_iter.__next__()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

这里注意：这里的__next__()方法和内置函数next(iterator, default=None)不是一个东西；(内置函数next(iterator, default=None)也可以返回迭代器的下一个值）

c) 而for循环可以捕获StopIteration异常并结束循环；

总结一下：

a）for....in iterable，会通过调用iter(iterable)函数（实际上，首先调用的对象的__iter__()方法），返回一个迭代器iterator;

b）每次循环，调用一次对象的__next__(self)，直到最后一个值，再次调用会触发StopIteration

c）for循环捕捉到StopIteration，从而结束循环

上面说了这么多，到底什么是迭代器Iterator呢？

任何实现了__iter__和__next__()（python2中实现next()）方法的对象都是迭代器，__iter__返回迭代器自身，__next__返回容器中的下一个值；

既然知道了什么迭代器，那我们自定义一个迭代器玩玩：

 class Iterator_test(object):
     def __init__(self, data):
         self.data = data
         self.index = len(data)
 
     def __iter__(self):
         return self
 
     def __next__(self):
         if self.index <= 0 :
             raise StopIteration
         self.index -= 1
         return self.data[self.index]
 
 iterator_winter = Iterator_test('abcde')
 
 for item in iterator_winter:
     print(item)

如何判断一个对象是一个迭代器对象呢？两个方法：

1）通过内置函数next(iterator, default=None)，可以看到next的第一个参数必须是迭代器；所以迭代器也可以认为是可以被next()函数调用的对象

2）通过collection中的Iterator类型判断

>>> from collections import Iterator
>>>
>>> isinstance([1,2,3], Iterator)
False
>>> isinstance(iter([1,2,3]), Iterator)
True
>>> isinstance([1,2,3].__iter__(), Iterator)
True
>>>

这里大家会不会有个疑问：

对于迭代器而言，看上去作用的不就是__next__方法嘛，__iter__好像没什么卵用，干嘛还需要__iter__方法呢？

我们知道，python中迭代是通过for循环实现的，而for循环的循环对象必须是一个可迭代对象Iterable，而Iterable必须是一个实现了__iter__方法的对象；知道为什么需要__iter__魔术方法了吧；

那么我就是想自定义一个没有实现__iter__方法的迭代器可以吗？可以，像下面这样：

class Iterable_test(object):
    def __init__(self, data):
        self.data = data
 
    def __iter__(self):
        return Iterator_test(self.data)
 
class Iterator_test(object):
    def __init__(self, data):
        self.data = data
        self.index = len(data)
 
    def __next__(self):
        if self.index <= 0 :
            raise StopIteration
        self.index -= 1
        return self.data[self.index]
 
iterator_winter = Iterable_test('abcde')
 
for item in iterator_winter:
    print(item)

先定义一个可迭代对象（包含__iter__方法），然后该对象返回一个迭代器；这样看上去是不是很麻烦？是不是同时带有__iter__和__next__魔术方法的迭代器更好呢！

同时，这里要纠正之前的一个迭代器概念：只要__next__()（python2中实现next()）方法的对象都是迭代器；

既然这样，只需要迭代器Iterator接口就够了，为什么还要设计可迭代对象Iterable呢？

这个和迭代器不能重复使用有关，下面同意讲解：

3）总结和一些重要知识点

a) 如何复制迭代器

之前在使用enumerate时，我们说过enumerate对象通过for循环迭代一次后就不能再被迭代：

>>> e = enumerate([1,2,3])
>>>
>>> for x,y in e:
...   print(x,y)
...
0 1
1 2
2 3
>>> for x,y in e:
...   print(x,y)
...
>>>

这是因为enumerate是一个迭代器；

迭代器是一次性消耗品，当循环以后就空了。不能再次使用；通过深拷贝可以解决；

>>> import copy
>>>
>>> e = enumerate([1,2,3])
>>>
>>> e_deepcopy = copy.deepcopy(e)
>>>
>>> for x,y in e:
...   print(x,y)
...
0 1
1 2
2 3
>>> for x,y in e_deepcopy:
...   print(x,y)
...
0 1
1 2
2 3
>>>

b）为什么不只保留Iterator的接口而还需要设计Iterable呢？

因为迭代器迭代一次以后就空了，那么如果list，dict也是一个迭代器，迭代一次就不能再继续被迭代了，这显然是反人类的；所以通过__iter__每次返回一个独立的迭代器，就可以保证不同的迭代过程不会互相影响。而生成器表达式之类的结果往往是一次性的，不可以重复遍历，所以直接返回一个Iterator就好。让Iterator也实现Iterable的兼容就可以很灵活地选择返回哪一种。

总结说，Iterator实现的__iter__是为了兼容Iterable的接口，从而让Iterator成为Iterable的一种实现。

另外，迭代器是惰性的，只有在需要返回下一个数据时它才会计算。就像一个懒加载的工厂，等到有人需要的时候才给它生成值返回，没调用的时候就处于休眠状态等待下一次调用。所以，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。

c）通过__getitem__来实现for循环

前面关于可迭代对象的定义是这样的：定义了可以返回一个迭代器的__iter__方法，或者定义了可以支持下标索引的__getitem__方法，那么它就是一个可迭代对象。

但是如果对象没有__iter__，但是实现了__getitem__，会改用下标迭代的方式。

class NoIterable(object):
    def __init__(self, data):
        self.data = data
    def __getitem__(self, item):
        return self.data[item]
 
no_iter = NoIterable('abcde')
for item in no_iter:
    print(item)

当for发现没有__iter__但是有__getitem__的时候，会从0开始依次读取相应的下标，直到发生IndexError为止，这是一种旧的迭代方法。iter方法也会处理这种情况，在不存在__iter__的时候，返回一个下标迭代的iterator对象来代替。

d）一张图总结迭代器

e）使用迭代器来实现一个斐波那契数列

 class Fib(object):
     def __init__(self, limit):
         self.a, self.b = 0, 1
         self.limit = limit
 
     def __iter__(self):
         return self
 
     def __next__(self):
         self.a, self.b = self.b, self.a+self.b
         while self.a > self.limit:
             raise StopIteration
         return self.a
 
 for n in Fib(1000):
     print(n)

2. 生成器

理解了迭代器以后，生成器就会简单很多，因为生成器其实是一种特殊的迭代器。不过这种迭代器更加优雅。它不需要再像上面的类一样写__iter__()和__next__()方法了，只需要一个yiled关键字。 生成器一定是迭代器（反之不成立），因此任何生成器也是以一种懒加载的模式生成值。

语法上说，生成器函数是一个带yield关键字的函数。

调用生成器函数后会得到一个生成器对象，这个生成器对象实际上就是一个特殊的迭代器，拥有__iter__()和__next__()方法

我们先用一个例子说明一下：

>>> def generator_winter():
...   i = 1
...   while i <= 3:
...     yield i
...     i += 1
...
>>> generator_winter
<function generator_winter at 0x000000000323B9D8>
>>> generator_iter = generator_winter()
>>> generator_iter
<generator object generator_winter at 0x0000000002D9CAF0>
>>>
>>> generator_iter.__next__()
1
>>> generator_iter.__next__()
2
>>> generator_iter.__next__()
3
>>> generator_iter.__next__()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

现在解释一下上面的代码：

a）首先我们创建了一个含有yield关键字的函数generator_winter，这是一个生成器函数

b）然后，我们调用了这个生成器函数，并且将返回值赋值给了generator_iter，generator_iter是一个生成器对象；注意generator_iter = generator_winter()时，函数体中的代码并不会执行，只有显示或隐示地调用next的时候才会真正执行里面的代码。

c）生成器对象就是一个迭代器，所以我们可以调用对象的__next__方法来每次返回一个迭代器的值；迭代器的值通过yield返回；并且迭代完最后一个元素后，触发StopIteration异常；

既然生成器对象是一个迭代器，我们就可以使用for循环来迭代这个生成器对象：

>>> def generator_winter():
...   i = 1
...   while i <= 3:
...     yield i
...     i += 1
...
>>>
>>> for item in generator_winter():
...   print(item)
...
1
2
3
>>>

我们注意到迭代器不是使用return来返回值，而是采用yield返回值；那么这个yield有什么特别之处呢？

1）yield

我们知道，一个函数只能返回一次，即return以后，这次函数调用就结束了；

但是生成器函数可以暂停执行，并且通过yield返回一个中间值，当生成器对象的__next__()方法再次被调用的时候，生成器函数可以从上一次暂停的地方继续执行，直到触发一个StopIteration

上例中，当执行到yield i后，函数返回i值，然后print这个值，下一次循环，又调用__next__()方法，回到生成器函数，并从yield i的下一句继续执行；

摘一段<python核心编程>的内容：

生成器的另外一个方面甚至更加强力----协同程序的概念。协同程序是可以运行的独立函数调用，可以暂停或者挂起，并从程序离开的地方继续或者重新开始。在有调用者和(被调用的)协同程序也有通信。举例来说，当协同程序暂停时，我们仍可以从其中获得一个中间的返回值，当调用回到程序中时，能够传入额外或者改变了的参数，但是仍然能够从我们上次离开的地方继续，并且所有状态完整。挂起返回出中间值并多次继续的协同程序被称为生成器，那就是python的生成真正在做的事情。这些提升让生成器更加接近一个完全的协同程序，因为允许值(和异常)能传回到一个继续的函数中，同样的，当等待一个生成器的时候，生成器现在能返回控制，在调用的生成器能挂起(返回一个结果)之前，调用生成器返回一个结果而不是阻塞的等待那个结果返回。

2) 什么情况会触发StopIteration

两种情况会触发StopIteration

a) 如果没有return，则默认执行到函数完毕时返回StopIteration；

b) 如果在执行过程中 return，则直接抛出 StopIteration 终止迭代;

c) 如果在return后返回一个值，那么这个值为StopIteration异常的说明，不是程序的返回值。

>>> def generator_winter():
...   yield 'hello world'
...   return 'again'
...
>>>
>>> winter = generator_winter()
>>> winter.__next__()
'hello world'
>>> winter.__next__()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration: again
>>>

3) 生成器的作用

说了这么多，生成器有什么用呢？作为python主要特性之一，这是个极其牛逼的东西，由于它是惰性的，在处理大型数据时，可以节省大量内存空间；

当你需要迭代一个巨大的数据集合，比如创建一个有规律的100万个数字，如果采用列表来存储访问，那么会占用大量的内存空间；而且如果我们只是访问这个列表的前几个元素，那么后边大部分元素占据的内存空间就白白浪费了；这时，如果采用生成器，则不必创建完整的列表，一次循环返回一个希望得到的值，这样就可以大量节省内存空间；

这里在举例之前，我们先介绍一个生成器表达式（类似于列表推导式，只是把[]换成()），这样就创建了一个生成器。

>>> gen = (x for x in range(10))
>>> gen
<generator object <genexpr> at 0x0000000002A923B8>
>>>

生成器表达式的语法如下：

(expr for iter_var in iterable if cond_expr)

用生成器来实现斐波那契数列

 def fib(n):
     a, b = 0, 1
     while b <= n:
         yield b
         a, b = b, a+b
 
 f = fib(10)
 for item in f:
     print(item)

 4）生成器方法

直接看生成器源代码

class __generator(object):
    '''A mock class representing the generator function type.'''
    def __init__(self):
        self.gi_code = None
        self.gi_frame = None
        self.gi_running = 0
 
    def __iter__(self):
        '''Defined to support iteration over container.'''
        pass
 
    def __next__(self):
        '''Return the next item from the container.'''
        pass
 
    def close(self):
        '''Raises new GeneratorExit exception inside the generator to terminate the iteration.'''
        pass
 
    def send(self, value):
        '''Resumes the generator and "sends" a value that becomes the result of the current yield-expression.'''
        pass
 
    def throw(self, type, value=None, traceback=None):
        '''Used to raise an exception inside the generator.'''
        pass

首先看到了生成器是自带__iter__和__next__魔术方法的；

a）send

生成器函数最大的特点是可以接受外部传入的一个变量，并根据变量内容计算结果后返回。这是生成器函数最难理解的地方，也是最重要的地方，协程的实现就全靠它了。

看一个小猫吃鱼的例子：

def cat():
    print('我是一只hello kitty')
    while True:
        food = yield
        if food == '鱼肉':
            yield '好开心'
        else:
            yield '不开心，人家要吃鱼肉啦'

中间有个赋值语句food = yield，可以通过send方法来传参数给food，试一下：

情况1）

miao = cat()    #只是用于返回一个生成器对象，cat函数不会执行
print(''.center(50,'-'))
print(miao.send('鱼肉'))

结果：

Traceback (most recent call last):
--------------------------------------------------
  File "C:/Users//Desktop/Python/cnblogs/subModule.py", line 67, in <module>
    print(miao.send('鱼肉'))
TypeError: can't send non-None value to a just-started generator

看到了两个信息：

a）miao = cat() ，只是用于返回一个生成器对象，cat函数不会执行

b）can't send non-None value to a just-started generator；不能给一个刚创建的生成器对象直接send值

改一下

情况2）

miao = cat()
miao.__next__()
print(miao.send('鱼肉'))

结果：

我是一只hello kitty
好开心

没毛病，那么到底send()做了什么呢？send()的帮助文档写的很清楚，'''Resumes the generator and "sends" a value that becomes the result of the current yield-expression.'''；可以看到send依次做了两件事：

a）回到生成器挂起的位置，继续执行

b）并将send(arg)中的参数赋值给对应的变量，如果没有变量接收值，那么就只是回到生成器挂起的位置

但是，我认为send还做了第三件事：

c）兼顾__next__()作用，挂起程序并返回值，所以我们在print(miao.send('鱼肉'))时，才会看到'好开心'；其实__next__()等价于send(None)

所以当我们尝试这样做的时候：

 def cat():
     print('我是一只hello kitty')
     while True:
         food = yield
         if food == '鱼肉':
             yield '好开心'
         else:
             yield '不开心，人家要吃鱼肉啦'
 
 miao = cat()
 print(miao.__next__())
 print(miao.send('鱼肉'))
 print(miao.send('骨头'))
 print(miao.send('鸡肉'))

就会得到这个结果：

我是一只hello kitty
None
好开心
None
不开心，人家要吃鱼肉啦

我们按步骤分析一下：

a）执行到print(miao.__next__())，执行cat()函数，print了”我是一只hello kitty”，然后在food = yield挂起，并返回了None，打印None

b）接着执行print(miao.send('鱼肉'))，回到food = yield，并将'鱼肉’赋值给food，生成器函数恢复执行；直到运行到yield '好开心'，程序挂起，返回'好开心'，并print'好开心'

c）接着执行print(miao.send('骨头'))，回到yield '好开心'，这时没有变量接收参数'骨头'，生成器函数恢复执行；直到food = yield，程序挂起，返回None，并print None

d）接着执行print(miao.send('鸡肉'))，回到food = yield，并将'鸡肉’赋值给food，生成器函数恢复执行；直到运行到yield'不开心，人家要吃鱼肉啦'，程序挂起，返回'不开心，人家要吃鱼肉啦'，，并print '不开心，人家要吃鱼肉啦'

大功告成；那我们优化一下代码：

 def cat():
     msg = '我是一只hello kitty'
     while True:
         food = yield msg
         if food == '鱼肉':
             msg = '好开心'
         else:
             msg = '不开心，人家要吃鱼啦'
 
 miao = cat()
 print(miao.__next__())
 print(miao.send('鱼肉'))
 print(miao.send('鸡肉'))

我们再看一个更实用的例子，一个计数器

def counter(start_at = 0):
    count = start_at
    while True:
        val = (yield count)
        if val is not None:
            count = val
        else:
            count += 1
 
count = counter(5)
print(count.__next__())
print(count.__next__())
print(count.send(0))
print(count.__next__())
print(count.__next__())

结果：

5
6
0
1
2

b）close

帮助文档：'''Raises new GeneratorExit exception inside the generator to terminate the iteration.'''

手动关闭生成器函数，后面的调用会直接返回StopIteration异常

>>> def gene():
...   while True:
...     yield 'ok'
...
>>> g = gene()
>>> g.__next__()
'ok'
>>> g.__next__()
'ok'
>>> g.close()
>>> g.__next__()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

在close以后再执行__next__会触发StopIteration异常

c）throw

用来向生成器函数送入一个异常，throw()后直接抛出异常并结束程序，或者消耗掉一个yield，或者在没有下一个yield的时候直接进行到程序的结尾。

>>> def gene():
...   while True:
...     try:
...       yield 'normal value'
...     except ValueError:
...       yield 'we got ValueError here'
...     except TypeError:
...       break
...
>>> g = gene()
>>> print(g.__next__())
normal value
>>> print(g.__next__())
normal value
>>> print(g.throw(ValueError))
we got ValueError here
>>> print(g.__next__())
normal value
>>> print(g.throw(TypeError))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

5）通过yield实现单线程情况下的异步并发效果

def consumer(name):
    print('%s准备吃包子了' % name)
    while True:
        baozi_name = yield
        print('[%s]来了，被[%s]吃了'% (baozi_name, name))
 
def producer(*name):
    c1 = consumer(name[0])
    c2 = consumer(name[1])
    c1.__next__()
    c2.__next__()
    for times in range(5):
        print('做了两个包子')
        c1.send('豆沙包%s'%times)
        c2.send('菜包%s'%times)
 
producer('winter', 'elly')

效果：

winter准备吃包子了
elly准备吃包子了
做了两个包子
[豆沙包0]来了，被[winter]吃了
[菜包0]来了，被[elly]吃了
做了两个包子
[豆沙包1]来了，被[winter]吃了
[菜包1]来了，被[elly]吃了
做了两个包子
[豆沙包2]来了，被[winter]吃了
[菜包2]来了，被[elly]吃了
做了两个包子
[豆沙包3]来了，被[winter]吃了
[菜包3]来了，被[elly]吃了
做了两个包子
[豆沙包4]来了，被[winter]吃了
[菜包4]来了，被[elly]吃了

创建了两个独立的生成器，很有趣，很吊；

6）补充几个小例子：

a）使用生成器创建一个range

def range(n):
    count = 0
    while count < n:
        yield count
        count += 1

b ) 使用生成器监听文件输入

def fileTail(filename):
    with open(filename) as f:
        while True:
            tail = f.readline()
            if line:
                yield tail
            else:
                time.sleep(0.1)

c）计算移动平均值

def averager(start_with = 0):
    count = 0
    aver = start_with
    total = start_with
    while True:
        val = yield aver
        total += val
        count += 1
        aver = total/count

有个弊端，需要通过__next__或next()初始化一次，通过预激解决

d）预激计算移动平均值

def init(f):
    def wrapper(start_with = 0):
        g_aver = f(start_with)
        g_aver.__next__()
        return g_aver
    return wrapper
 
@init
def averager(start_with = 0):
    count = 0
    aver = start_with
    total = start_with
    while True:
        val = yield aver
        total += val
        count += 1
        aver = total/count

e）读取文件字符数最多的行的字符数

最传统的写法：

def longestLine(filename):
    with open(filename, 'r', encoding='utf-8') as f:
        alllines = [len(x.strip()) for x in f]
        return max(alllines)

使用生成器以后的写法：

def longestLine(filename):
    return max(len(x.strip()) for x in open(filename))

f）多生成器迭代

>>> g = (i for i in range(5))
>>> for j in g:
...   print(j)
...
0
1
2
3
4
>>> for j in g:
...   print(j)
...
>>>

因为for j in g， 每次循环执行一次g.__next__()；直到结束，触发StopIteration；

主意下面结果的输出：

>>> g = (i for i in range(4))
>>> g1 = (x for x in g)
>>> g2 = (y for y in g1)
>>>
>>> print(list(g1))
[0, 1, 2, 3]
>>> print(list(g2))
[]
>>>

为什么print(list(g2))为空呢？理一下，不然会乱：

看下面的代码：

 def g():
     print('1.1')
     for i in range(2):
         print('1.2')
         yield i
         print('1.3')
 
 def g1():
     print('2.1')
     for x in s:
         print('2.2')
         yield x
         print('2.3')
 
 def g2():
     print('3.1')
     for y in s1:
         print('3.2')
         yield y
         print('3.3')
 
 s = g()
 s1 = g1()
 s2 = g2()
 print('start first list')
 print(list(s1))
 print('start second list')
 print(list(s2))

结果：

 start first list
 2.1
 1.1
 1.2
 2.2
 2.3
 1.3
 1.2
 2.2
 2.3
 1.3
 [0, 1]
 start second list
 3.1
 []

注意第11行之后，g触发了StopIteration，被for x in s捕捉，即不能继续s.__next__()了；同样的g1触发StopIteration，被list捕捉，即不能继续s1.__next__()了；于是打印[0,1]

当进行print(list(s2))时，执行s2.__next__()，停留在代码的第17行for y in s1，但是这是不能继续s1.__next__()了；于是直接触发了StopIteration；结果为[]

再看一个有意思的输出：

def add(n,i):
    return n+i
 
g = (i for i in range(4))
 
for n in [1,10]:
    g = (add(n,i) for i in g)
 
print(list(g))

输出为：

[20, 21, 22, 23]

其实上面的代码翻译如下：

def add(n,i):
    return n+i
 
def g1():
    for i in g:
        yield add(n,i)
 
def g2():
    for i in s1:
        yield add(n,i)
 
n = 1
s1 = g1()
n = 10
s2 = g2()
print(list(s2))

最终n用的是10,