在Python编程中，迭代器是一个经常被提及但容易被忽视的基础概念。它不仅仅是for循环背后的默默支撑，更是编写高效、节省内存程序的关键工具。简单来说，迭代器是遵循迭代协议的对象，能够一次返回其中的一个元素，而不是一次性把所有数据加载到内存里。
迭代器的基本定义与核心方法
从技术角度看，一个对象只要实现了__iter__()和__next__()两个方法，就可以被称为迭代器。其中__iter__()返回迭代器自身，而__next__()负责返回下一个元素，当没有更多元素时抛出StopIteration异常，从而终止遍历。
与之相关的还有一个概念叫可迭代对象（iterable），比如列表、元组、字符串。它们只实现了__iter__()方法，调用后会返回一个迭代器。很多初学者容易混淆这两者，其实只要记住：能用for循环的都是可迭代对象，但只有能不断调用__next__()取出值的才是迭代器。
下面是一段自定义迭代器的示例代码，它实现了一个从指定数字开始递增的计数器：
class CountUp:
def __init__(self, start, end):
self.current = start
self.end = end
def __iter__(self):
# 返回迭代器自身
return self
def __next__(self):
if self.current > self.end:
raise StopIteration
num = self.current
self.current += 1
return num
# 使用自定义迭代器
counter = CountUp(1, 3)
it = iter(counter)
print(next(it)) # 输出 1
print(next(it)) # 输出 2
print(next(it)) # 输出 3
迭代器在内存优化上的实际作用
迭代器最大的用处之一，就是处理海量数据或未知长度的数据流时避免内存溢出。假设你有一个十几GB的日志文件，如果直接用readlines()读进列表，程序很可能崩溃；而用文件对象自带的迭代器特性，则能一行一行读取，内存占用始终很低。
再看一个对比示例。下面代码分别用列表和迭代器生成大量数据，前者会立即占用大量空间，后者只有在遍历时才计算：
# 列表推导式：立即生成一百万个整数，占用内存
big_list = [x * 2 for x in range(1000000)]
# 迭代器方式：用map返回迭代器，不立即计算
big_iter = map(lambda x: x * 2, range(1000000))
# 只有真正取用时才计算，节省内存
for val in big_iter:
if val > 10:
break
这种惰性计算（lazy evaluation）特性，使迭代器成为数据管道处理的基石。你可以把多个迭代器操作串起来，比如先用filter过滤，再用map转换，整个过程不产生中间大列表。
迭代器如何简化自定义遍历逻辑
除了省内存，迭代器还能让你灵活控制遍历规则。比如你想从后往前读文件，或者只取偶数行，只需封装一个迭代器类，在__next__()里写自己的逻辑即可，调用方完全不用关心内部细节。
以下示例展示了一个跳行读取文件的迭代器，每次只返回奇数行内容：
class SkipReader:
def __init__(self, filepath):
self.f = open(filepath, 'r', encoding='utf-8')
self.line_no = 0
def __iter__(self):
return self
def __next__(self):
while True:
line = self.f.readline()
if not line:
self.f.close()
raise StopIteration
self.line_no += 1
if self.line_no % 2 == 1:
return line.strip()
# 假设有 test.txt 文件
# reader = SkipReader('test.txt')
# for row in reader:
# print(row)
这样的设计把复杂的读取规则隐藏起来，对外只暴露简单的for循环接口，符合Pythonic的简洁风格。同时，因为迭代器是有状态的，每次遍历完就需要重新创建，这也提醒我们在使用中注意不要重复使用同一个耗尽了的迭代器。
迭代器与生成器、协程的关系
很多高级特性都构建在迭代器之上。生成器（generator）其实就是一种更方便的迭代器写法，用yield关键字自动实现了__iter__和__next__。你不用手动写类，就能得到惰性序列。
示例：用生成器函数改写前面的计数器，代码量明显减少：
def count_up(start, end):
current = start
while current <= end:
yield current
current += 1
for n in count_up(1, 3):
print(n)
在异步编程中，迭代器思想也延伸出了异步迭代器（__aiter__和__anext__），用于处理流式IO。理解最基础的同步迭代器，是掌握这些进阶工具的前提。如果没有迭代器模型，Python的for循环、推导式、生成器表达式都将失去底层支撑。
常见使用误区与注意点
一个典型误区是把迭代器当成列表来多次使用。因为迭代器是一次性消耗的，遍历一次后就会耗尽，再次循环得不到任何数据。如果需要多次使用，应该转为列表，或者重新调用iter()生成新迭代器。
另一个问题是异常处理。手动调用next()时要捕获StopIteration，否则程序会报错；而在for循环里这个异常由语言机制自动处理，所以日常开发优先用for而不是手写next调用。合理利用内置函数如iter、next、enumerate配合自定义迭代器，才能让代码既高效又稳健。