一、生成器
什么是生成器？生成器的实质就是迭代器。
生成器的特点和迭代器一样，取值方式也和迭代器一样。
生成器一般由生成器函数或者生成器表达式来创建，生成器其实就是手写的迭代器。
在python中有三种方式来获取生成器：
1，通过生成器函数获取生成器；
2，通过各种推导式来实现生成器；
3，通过生成器表达式来创建生成器；
二、生成器函数
首先，我们先看一个很简单的函数，如下：
def func():
print("111")
return 222
ret = func()
print(ret)
# 结果为：
# 111
# 222
将上面函数中的return换成yield就是生成器，如下示例：
def func():
print("111")
yield 222
ret = func()
print(ret)
# 结果为：<generator object func at 0x0000000002793CA8>
可以看出运行结果和上面不一样，为什么呢？由于函数中存在了yield，那么这个函数就是一个生成器函数。这个时候，我们再执行这个函数的时候，就不再是函数的执行了，而是获取这个生成器。如何使用呢？想想迭代器，生成器的本质是迭代器，所以，我们可以直接执行__next__()来执行以下生成器，如下代码示例：
def func():
print("111")
yield 222
gener = func() # 这个时候函数不会执行，而是获取到生成器
ret = gener.__next__() # 这个时候才会执行，yield的作用和return一样，也是返回数据
print(ret)
# 结果为：
# 111
# 222
那么我们可以看到，yield和return的效果是一样的，有什么区别呢？yield是分段来执行一个函数，return是直接停止执行函数。
当程序运行完最后一个yield，那么后面继续进行__next__()程序会报错，具体如下代码示例：
def func():
print("111")
yield 222
print("222")
yield 444
gener = func()
ret = gener.__next__()
print(ret)
ret2 = gener.__next__()
print(ret2)
ret3 = gener.__next__()
print(ret3)
# 结果为：
# 111
# Traceback (most recent call last):
# 222
# File "E:/pythonDemo/1-basis/test13.py", line 50, in <module>
# 222
# 444
# ret3 = gener.__next__()
# StopIteration
好了生成器说完了，生成器有什么作用呢？我们来看这样一个需求，学校向JACK JONES订购10000套学生服，JACK JONES就比较实在，直接造出来10000套衣服，如下代码：
def cloth():
lst = []
for i in range(10000):
lst.append("衣服"+str(i))
return lst
cl = cloth()
但是呢，问题来了，学校现在没有这么多学生，一次性给学校这么多，该往哪里放，很尴尬啊！最好的效果是什么样呢？我要1套，你给我1套，一共10000套，是不是最完美的。如下代码：
def cloth():
for i in range(10000):
yield "衣服"+str(i)
cl = cloth()
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
分析：第一种是直接一次性全部拿出来，会很占用内存，第二种使用生成器，一次就一个，用多少生成多少，生成器是一个一个的指向下一个，不会回去，__next__()到哪，指针就指到哪儿，下一次继续获取指针指向的值。
接下来我们来看send()方法，send和__next__()一样都可以让生成器执行到下一个yield，如下代码：
def eat():
print("我吃什么啊")
a = yield "馒头"
print("a=",a)
b = yield "大饼"
print("b=",b)
c = yield "韭菜盒子"
print("c=",c)
yield "GAME OVER"
gen = eat() # 获取生成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.send("胡辣汤")
print(ret2)
ret3 = gen.send("狗粮")
print(ret3)
ret4 = gen.send("猫粮")
print(ret4)
send()和__next__()的区别：
1，send()和__next__()都是让生成器向下走一次；
2，send()可以给上一个yield的位置传递值，不能给最后一个yield发送值，在第一次执行生成器代码的时候不能使用send()。
生成器可以使用for循环来循环获取内部的元素：
def func():
print(111)
yield 222
print(333)
yield 444
print(555)
yield 666
gen = func()
for i in gen:
print(i)
# 结果为：
# 111
# 222
# 333
# 444
# 555
# 666
三，推导式、生成器表达式
首先我们先看一下这样的代码，给出一个列表，通过循环，向列表中添加1-13:，代码如下：
lst = []
for i in range(1,14):
lst.append(i)
print(lst)
将上面替换成列表推导式，如下：
lst = [i for i in range(1,14)]
print(lst)
列表推导式是通过一行来构建你要的列表，列表推导式看起来代码简单，但是出现错误之后很难排查。
列表推导式的常用写法：[结果 for 变量 in 可迭代对象]
例：从python1期到python15期写入列表lst，代码如下：
lst = ["python%s" % i for i in range(1,16)]
print(lst)
我们还可以对列表中的数据进行筛选：筛选模式：[结果 for 变量 in 可迭代对象 if条件]，具体如下例：
# 获取1-100内所有偶数
lst = [i for i in range(1,101) if i % 2 == 0]
print(lst)
生成器表达式和列表推导式的语法基本上是一样的，只是把[]替换成()，具体如下：
gen = (i for i in range(10))
print(gen) # 结果为：<generator object <genexpr> at 0x00000000021F3E60>
可以看到打印的结果就是一个生成器，我们可以使用for循环来循环这个生成器，具体如下：
gen = ("麻花藤我第%s次爱你" % i for i in range(10))
for i in gen:
print(i)
生成器表达式也可以进行筛选，具体如下：
# 获取1-100内能被3整除的数
gen = (i for i in range(1,100) if i % 3 == 0)
for num in gen:
print(num)
# 100以内能被3整除的数的平方
gen = (i * i for i in range(100) if i % 3 == 0)
for num in gen:
print(num)
# 寻找名字中带有两个e的人的名字
names = [
['Tom','Billy','Jefferson','Andrew','Wesley','Steven'],
['Alice','Jill','Ana','Wendy','Jennifer','Sherry','Eva']
]
# 不用推导式和表达式
result = []
for first in names:
for name in first:
if name.count("e") == 2:
result.append(name)
print(result)
# 生成器表达式
gen = (name for first in names for name in first if name.count("e") == 2)
for name in gen:
print(name)
总结：
生成器表达式和列表推导式的区别：
1，列表推导式比较耗内存，一次性加载，生成器表达式几乎不占用内存，使用的时候才分配和使用内存；
2，得到的值不一样，列表推导式得到的是一个列表，生成器表达式获取的是一个生成器；
举个栗子：同样一篮子鸡蛋，列表推导式：直接拿到一篮子鸡蛋；生成器表达式：拿到一个老母鸡，需要鸡蛋就给你下鸡蛋。
生成器的惰性机制：生成器只有在访问的时候才取值，说白了，你找他要他才给你值，不找他要，他是不会执行的。
def func():
print(111)
yield 222
g = func() # 生成器g
g1 = (i for i in g) # 生成器g1，但是g1的数据来源于g
g2 = (i for i in g1) # 生成器g2，数据来源于g1
print(list(g)) # 获取g中的数据，这是func()才会被执行，打印111，获取到222，g完毕
print(list(g1)) # 获取g1中的数据，g1的数据来源是g，但是g已经取完了，g1也就没有数据了
print(list(g2)) # 和g1同理
深坑：生成器，要值的时候才拿值！
字典推导式：根据名字应该也能猜到，推导出来的是字典，具体如下：
# 把字典中的key和value互换
dic = {'a':1,"b":2}
new_dic = {v:k for k,v in dic.items()}
print(new_dic)
# 在以下list中，从lst1中获取的数据和lst2中相对应的位置的数据组成一个新字典
lst1 = ['jay','jj','sylar']
lst2 = ['周杰伦','林俊杰','邱彦涛']
dic = {lst1[i]:lst2[i] for i in range(len(lst1))}
print(dic)
集合推导式：集合推导式可以帮我们直接生成一个集合，集合有无序，不重复的特点，所以集合推导式自带去重功能。具体如下代码：
lst = [1,-1,8,-8,12]
# 绝对值去重
s = {abs(i) for i in lst}
print(s)
总结：
推导式有：
列表推导式：[结果 for 变量 in 可迭代对象 if 条件筛选]
字典推导式：{k:v for 变量 in 可迭代对象 if 条件筛选}
集合推导式：{k for 变量 in 可迭代对象 if 条件筛选}
没有元组推导式
生成器表达式： (结果 for 变量 in 可迭代对象 if 条件筛选)
生成器表达式可以直接获取到生成器对象，生成器对象可以直接进行for循环，生成器具有惰性机制。
看下面一个面试题（难度系数50000000颗星，友情提示：惰性机制，不到最后不会拿值）：
def add(a,b):
return a+b
def test():
for r_i in range(4):
yield r_i
g = test()
for n in [2,10]:
g = (add(n,i) for i in g)
print(list(g))
迭代器相关补充：
s = 'abcde'
it = s.__iter__() # 获取迭代器
ret = list(it) # list内部含有__next__()，所以list可以将迭代器中的值一次性取出来
print(ret)