目录 | 上一节 (6.2 自定义迭代) | 下一节 (6.4 生成器表达式)
6.3 生产者，消费者和管道
生成器在设置各种生产者/消费者问题（producer/consumer problems）和数据流管道（pipeline）中非常有用。本节将对此进行讨论。
生产者消费者问题
生成器与各种形式的 生产者消费者 问题密切相关。
# Producer
def follow(f):
...
while True:
...
yield line # Produces value in `line` below
...
# Consumer
for line in follow(f): # Consumes value from `yield` above
...
yield 语句生成给 for 语句消费的值。
生成器管道
你可以使用生成器的这方面特性来设置进程管道（类似于 Unix 管道（pipe））。
producer → processing → processing → consumer
进程管道包括初始的数据生产者、中间的处理阶段、最后的消费者。
producer → processing → processing → consumer
def producer():
...
yield item
...
通常情况下，生产者是一个生成器，尽管也可以是其它的序列列表。yield 将数据输入管道。
producer → processing → processing → consumer
def consumer(s):
for item in s:
...
消费者是一个 for 循环，获取数据（译注：items）并对数据执行某些操作。
producer → processing → processing → consumer
def processing(s):
for item in s:
...
yield newitem
...
中间的处理阶段同时消费和生产数据。它们可能修改数据流，也可能筛选数据流（丢弃数据）。
producer → processing → processing → consumer
def producer():
...
yield item # yields the item that is received by the `processing`
...
def processing(s):
for item in s: # Comes from the `producer`
...
yield newitem # yields a new item
...
def consumer(s):
for item in s: # Comes from the `processing`
...
设置管道的代码如下：
a = producer()
b = processing(a)
c = consumer(b)
你会发现数据逐渐地流向不同的函数。
练习
对于本练习，stocksim.py 程序仍需要在后台运行。并且，你将使用到上一节练习（译注：练习 6.7）编写的 follow() 函数。
练习 6.8：创建一个简单的管道
让我们来看看管道的思想。请创建下面这个函数：
>>> def filematch(lines, substr):
for line in lines:
if substr in line:
yield line
>>>
filematch() 函数除了不再打开文件，几乎与上一节练习的第一个生成器示例完全相同——仅仅对作为参数给出的行序列进行操作。现在，请尝试如下操作：
>>> from follow import follow
>>> lines = follow('Data/stocklog.csv')
>>> ibm = filematch(lines, 'IBM')
>>> for line in ibm:
print(line)
... wait for output ...
虽然输出可能需要一定时间才会出现，但是，最后你一定会看到包含 IBM 数据的行。
练习 6.9：创建一个复杂的管道
通过执行更多操作来进一步理解管道的思想。
>>> from follow import follow
>>> import csv
>>> lines = follow('Data/stocklog.csv')
>>> rows = csv.reader(lines)
>>> for row in rows:
print(row)
['BA', '98.35', '6/11/2007', '09:41.07', '0.16', '98.25', '98.35', '98.31', '158148']
['AA', '39.63', '6/11/2007', '09:41.07', '-0.03', '39.67', '39.63', '39.31', '270224']
['XOM', '82.45', '6/11/2007', '09:41.07', '-0.23', '82.68', '82.64', '82.41', '748062']
['PG', '62.95', '6/11/2007', '09:41.08', '-0.12', '62.80', '62.97', '62.61', '454327']
...
这非常有趣。你在这里可以看到， follow() 函数的输出被传递到 csv.reader()函数，并且，我们现在得到了一系列拆分的行。
练习 6.10：创建更多管道组件
让我们把这样的思想扩展到更大的管道中。首先，创建 ticker.py 文件，然后在 ticker.py 文件里面创建一个函数，像上面一样读取 CSV 文件：
# ticker.py
from follow import follow
import csv
def parse_stock_data(lines):
rows = csv.reader(lines)
return rows
if __name__ == '__main__':
lines = follow('Data/stocklog.csv')
rows = parse_stock_data(lines)
for row in rows:
print(row)
接着，创建一个选择特定列的新函数：
# ticker.py
...
def select_columns(rows, indices):
for row in rows:
yield [row[index] for index in indices]
...
def parse_stock_data(lines):
rows = csv.reader(lines)
rows = select_columns(rows, [0, 1, 4])
return rows
再次运行程序，你应该可以看到输出缩小如下：
['BA', '98.35', '0.16']
['AA', '39.63', '-0.03']
['XOM', '82.45','-0.23']
['PG', '62.95', '-0.12']
...
再接着，创建一个生成器函数以转换数据类型并构建字典。示例：
# ticker.py
...
def convert_types(rows, types):
for row in rows:
yield [func(val) for func, val in zip(types, row)]
def make_dicts(rows, headers):
for row in rows:
yield dict(zip(headers, row))
...
def parse_stock_data(lines):
rows = csv.reader(lines)
rows = select_columns(rows, [0, 1, 4])
rows = convert_types(rows, [str, float, float])
rows = make_dicts(rows, ['name', 'price', 'change'])
return rows
...
再次运行程序，你应该能够看到像下面这样的字典流：
{ 'name':'BA', 'price':98.35, 'change':0.16 }
{ 'name':'AA', 'price':39.63, 'change':-0.03 }
{ 'name':'XOM', 'price':82.45, 'change': -0.23 }
{ 'name':'PG', 'price':62.95, 'change':-0.12 }
...
练习 6.11：筛选数据
创建一个筛选数据的函数。示例：
# ticker.py
...
def filter_symbols(rows, names):
for row in rows:
if row['name'] in names:
yield row
使用该函数可以筛选出投资组合中的股票：
import report
portfolio = report.read_portfolio('Data/portfolio.csv')
rows = parse_stock_data(follow('Data/stocklog.csv'))
rows = filter_symbols(rows, portfolio)
for row in rows:
print(row)
练习 6.12：整合所有的代码
请在 ticker.py 文件中编写函数 ticker(portfile, logfile, fmt) ，该函数根据给定的投资组合、日志文件和表格格式创建实时的股票报价器。示例：
>>> from ticker import ticker
>>> ticker('Data/portfolio.csv', 'Data/stocklog.csv', 'txt')
Name Price Change
---------- ---------- ----------
GE 37.14 -0.18
MSFT 29.96 -0.09
CAT 78.03 -0.49
AA 39.34 -0.32
...
>>> ticker('Data/portfolio.csv', 'Data/stocklog.csv', 'csv')
Name,Price,Change
IBM,102.79,-0.28
CAT,78.04,-0.48
AA,39.35,-0.31
CAT,78.05,-0.47
...
讨论
心得体会：你可以创建各种生成器函数，并把它们链接在一起执行涉及数据流的管道处理。另外，你可以创建一个函数，把一系列的管道阶段打包到一个单独的函数中调用（例如 parse_stock_data() 函数）。