生成器函数并不是为“节省内存”这一单一目标而设计的。它真正提供的是一种分阶段执行模型：函数可以在多个 yield 之间暂停与恢复，其执行状态由运行期对象承载。
因此，生成器函数适用于一类具有共同特征的场景：
• 结果需要逐步产生
• 过程需要阶段性推进
• 状态应自然嵌入控制流
一、构造惰性序列
生成器函数最直接的用途，是构造“惰性序列”。与一次性构造完整数据结构不同，生成器在每次请求元素时才推进到下一个 yield。
示例：
使用：
print(list(g))输出：
[4, 9, 16]可以看到：
• 生成器不会预先生成全部结果
• 每次 next() 仅推进一次执行
• 函数体在 yield 处暂停
• 局部变量与指令位置被保留
这使生成器特别适合：
• 数据规模较大
• 只消费部分结果
• 计算代价较高
生成器不仅仅是列表推导式的惰性版本，而是一种“可暂停函数”的执行模型。
二、表达无限序列
生成器函数天然适合表达理论上无界的数据流。由于执行是按需推进的，无需预先构造完整结构。
示例：
使用：
输出：
10 11 12 13 14该生成器在逻辑上是无限的，但由于执行按需推进，程序仍可稳定运行。
这种能力在以下场景中尤为重要：
• 实时数据流
• 持续监听事件
• 模拟连续信号
生成器将“潜在无限”转化为“有限推进”。
三、流式数据处理
生成器函数常被用于封装 I/O 逻辑，使数据处理呈现为连续流。
示例：逐行读取大文件
调用方式：
这种结构具有明显优势：
• 不一次性加载全部数据
• 文件资源在生成器执行完成后自动释放
• 调用方无需关心 I/O 管理细节
生成器在这里提供的是一种“按需交付”的结构能力。
四、构建数据处理管道
生成器函数可以相互组合，形成分层数据处理管道。每一层负责单一转换逻辑。
例如：
组合使用：
输出：
0 4 16 36 64该结构的特征：
• 数据逐层流动
• 每层只处理当前元素
• 无需构造中间列表
• 保持惰性执行
生成器函数在此成为构建数据流管道的核心工具。
五、表达状态机与多阶段流程
生成器函数可以自然表达多阶段执行逻辑。
示例：简单有限状态机
阶段顺序由代码结构表达，而无需显式维护状态变量。
再如分阶段任务：
控制流程：
next(t)生成器将“阶段位置”嵌入控制流结构，而不是通过布尔变量或枚举值管理。
六、替代临时中间结构
生成器表达式常用于替代临时列表，从而避免额外内存占用。从语义层面看，它等价于一个匿名生成器函数的即时调用。
比如像 sum() 这样的会逐步消费生成器，不会构造中间完整列表：
total = sum(x * x for x in range(1000000))若写成：
total = sum([x * x for x in range(1000000)])则会构造一个包含一百万个元素的列表，占用额外内存。
生成器表达式将计算与消费合并为惰性流程，是性能优化与结构清晰之间的合理折中。
七、协程式交互
生成器函数不仅能产出值，还能通过 send() 接收外部输入。
示例：
使用：
e.send("world")在这里，yield 既是暂停点，同时也是输入接收点。
控制权在调用方与生成器之间显式交替。这种机制在 async/await 引入之前，已被用于实现协程框架。
小结
生成器是以函数语法构造、以迭代语义运行的执行结构。它通过 yield 将连续执行拆分为可暂停、可恢复的推进过程。惰性序列构造、无限数据流表达、流式处理、管道组合以及状态机实现，均依赖于这一分阶段执行模型。生成器将“函数调用”转化为“可推进执行过程”，在对象模型层面提供了一种精细而高效的控制机制。
“点赞有美意，赞赏是鼓励”
热门跟贴