Python中的生成器和迭代器是处理序列数据的核心特性，二者都支持按需逐个获取元素，不需要提前将所有数据加载到内存中，非常适合处理大规模数据或者无限序列的场景。这种特性能够有效降低程序的内存占用，避免因为数据量过大导致内存溢出。
什么是迭代器
迭代器是实现了迭代器协议的对象，迭代器协议要求对象必须包含__iter__()方法和__next__()方法。__iter__()方法返回迭代器对象本身，__next__()方法返回序列中的下一个元素，当没有更多元素时，会抛出StopIteration异常。
Python中很多内置对象都是可迭代对象，比如列表、元组、字符串，但是它们本身不是迭代器，需要通过iter()函数转换为迭代器之后才能使用__next__()方法逐个获取元素。
自定义迭代器实现
下面是一个自定义迭代器的示例，实现返回指定范围内的偶数：
class EvenIterator:
def __init__(self, max_num):
self.max_num = max_num
self.current = 0
def __iter__(self):
# 返回迭代器本身
return self
def __next__(self):
# 找到下一个偶数
while self.current <= self.max_num:
if self.current % 2 == 0:
result = self.current
self.current += 1
return result
self.current += 1
# 没有更多元素时抛出异常
raise StopIteration
# 使用自定义迭代器
even_iter = EvenIterator(10)
print(next(even_iter)) # 输出0
print(next(even_iter)) # 输出2
print(next(even_iter)) # 输出4
什么是生成器
生成器是迭代器的一种简化实现方式，不需要手动实现__iter__()和__next__()方法，也不需要管理迭代状态，语法上更加简洁。生成器有两种实现方式：生成器函数和生成器表达式。
生成器函数
生成器函数是包含yield关键字的函数，调用生成器函数时不会立即执行函数体，而是返回一个生成器对象。每次调用生成器对象的__next__()方法时，函数会执行到yield语句处，返回yield后面的值，然后暂停执行，下次调用时从暂停的位置继续运行。
下面的示例用生成器函数实现同样返回指定范围内偶数的功能：
def even_generator(max_num):
current = 0
while current <= max_num:
if current % 2 == 0:
yield current
current += 1
# 使用生成器
even_gen = even_generator(10)
print(next(even_gen)) # 输出0
print(next(even_gen)) # 输出2
print(next(even_gen)) # 输出4
生成器表达式
生成器表达式是类似列表推导式的语法，但是使用圆括号包裹，返回的是一个生成器对象，而不是列表。生成器表达式的语法更加简洁，适合简单的生成逻辑。
示例：
# 生成0到10的偶数生成器 even_gen_expr = (i for i in range(11) if i % 2 == 0) print(next(even_gen_expr)) # 输出0 print(next(even_gen_expr)) # 输出2 print(next(even_gen_expr)) # 输出4
生成器与迭代器的核心区别
生成器属于迭代器的子类，所有生成器都是迭代器，但不是所有迭代器都是生成器。二者的主要区别如下：
| 对比项 | 迭代器 | 生成器 |
|---|---|---|
| 实现方式 | 需要手动实现__iter__()和__next__()方法 | 通过yield关键字或者生成器表达式实现，无需手动实现迭代器协议 |
| 代码复杂度 | 相对复杂，需要管理迭代状态 | 语法简洁，自动管理迭代状态 |
| 内存占用 | 按需返回元素，内存占用低 | 按需返回元素，内存占用低 |
| 适用场景 | 复杂的迭代逻辑，需要自定义迭代规则 | 简单的迭代逻辑，快速实现按需返回元素的需求 |
如何节省内存的遍历方式
生成器和迭代器之所以能节省内存，是因为它们不会一次性把所有元素加载到内存中，而是在每次需要元素的时候才生成对应的元素。比如要处理一个包含1000万个整数的序列，如果用列表存储，需要占用大量内存，而用生成器的话，只需要存储生成器的当前状态，每次获取元素时才计算下一个值。
下面是一个对比示例，分别用列表和生成器遍历大范围的数，查看内存占用情况：
import sys
# 列表方式存储1到10000000的数
num_list = [i for i in range(10000000)]
# 生成器方式存储1到10000000的数
num_generator = (i for i in range(10000000))
print(f"列表占用内存大小：{sys.getsizeof(num_list)} 字节")
print(f"生成器占用内存大小：{sys.getsizeof(num_generator)} 字节")
运行结果可以看到，生成器的内存占用远远小于列表，这就是生成器节省内存的核心原因。
常见使用场景
- 处理大文件：逐行读取大文件内容，不需要把整个文件加载到内存
- 生成无限序列：比如生成斐波那契数列，不需要提前定义序列长度
- 数据管道处理：多个生成器串联，逐个处理数据，减少中间结果的存储
- 流式数据处理：处理实时产生的数据流，按需获取和处理数据
注意事项
生成器和迭代器都是单向的，只能向前遍历，不能回退或者重置。如果需要重新遍历，需要重新创建生成器或者迭代器对象。另外，生成器函数中的yield语句会将函数暂停，局部变量会保存在生成器对象中，下次调用时恢复这些局部变量的值。
迭代器和生成器是Python中优化内存使用的重要特性，掌握两者的使用方式能够有效提升处理大规模数据时的程序性能，避免不必要的内存浪费。
在实际开发中，如果迭代逻辑比较简单，优先使用生成器，代码更简洁；如果迭代逻辑复杂，需要自定义更多的控制逻辑，可以选择自定义迭代器实现。