写过Python的人几乎每天都在用for循环，但真正能说清楚for循环背后机制的人并不多。列表、字符串、字典、文件对象都能被遍历，这背后靠的就是Python的迭代器体系。迭代器不仅是一个语法特性，更是一种惰性计算的思想，它贯穿了整个Python标准库，理解它对后续学习生成器、协程乃至异步编程都有直接帮助。本文将系统拆解迭代器的核心原理，并配合可运行的实战案例，把这个基础概念讲透。
一、可迭代对象与迭代器的本质区别
很多人把可迭代对象（Iterable）和迭代器（Iterator）混为一谈，这是最常见的误区。两者的判定标准很明确：实现了__iter__方法的对象是可迭代对象，在此基础上同时实现了__next__方法的对象才是迭代器。可以用内置函数isinstance配合collections.abc模块来验证：
from collections.abc import Iterable, Iterator lst = [1, 2, 3] print(isinstance(lst, Iterable)) # True，列表是可迭代对象 print(isinstance(lst, Iterator)) # False，列表不是迭代器 it = iter(lst) print(isinstance(it, Iterable)) # True，迭代器本身也可迭代 print(isinstance(it, Iterator)) # True
从上面的代码可以看出一个关键事实：列表本身并不是迭代器，它只是一个可以生产迭代器的可迭代对象。调用iter(lst)时，实际执行的是lst.__iter__()，它会返回一个全新的迭代器对象。这也是为什么同一个列表可以同时被多个for循环遍历而互不干扰——每次遍历都从迭代器对象里取值，列表本身的状态没有被修改。
而迭代器对象内部维护着一个游标位置，每调用一次next()，游标就前进一步，取尽所有元素后抛出StopIteration异常。这个设计有个重要的推论：迭代器是一次性的。遍历结束后再次调用next()会直接抛异常，除非重新调用iter()获取新的迭代器。文件对象就是典型的例子，用for循环读完一个文件后，再遍历一次不会得到任何内容，因为文件对象自身的游标已经走到了末尾。
二、for循环的底层工作流程
for循环其实是迭代器协议的语法糖。当我们写for x in obj时，Python解释器在背后做了三件事：先调用iter(obj)拿到迭代器，然后不断调用迭代器的__next__方法取值，捕获到StopIteration异常时优雅地结束循环。可以用while循环手动模拟这个过程：
lst = [10, 20, 30]
# for x in lst: 等价于下面的手动实现
it = iter(lst)
while True:
try:
x = next(it)
print(x)
except StopIteration:
break理解这个流程能解释很多奇怪的现象。比如为什么for x in 10会报TypeError: 'int' object is not iterable——因为整数没有实现__iter__方法，第一步就失败了。再比如在遍历列表的同时删除元素会导致跳过某些元素，因为底层迭代器的游标位置和列表长度的变化产生了错位，这类问题的根源都要回到迭代器的工作机制上去找。
还有一个容易被忽视的细节：迭代器的__iter__方法必须返回它自身。这是协议的规定，目的是让迭代器也能用在任何需要可迭代对象的场合，比如for循环中。如果一个自定义迭代器的__iter__返回了别的对象，就可能出现死循环或者取值错乱的诡异行为，排查起来相当费劲。
三、手写自定义迭代器实战
掌握原理之后，动手写一个自定义迭代器是最好的巩固方式。下面实现一个斐波那契数列迭代器，它可以无限产生数列而不占用内存，这正是迭代器惰性求值的优势：
class Fibonacci:
def __init__(self):
self.a, self.b = 0, 1
def __iter__(self):
return self # 迭代器协议要求返回自身
def __next__(self):
value = self.a
self.a, self.b = self.b, self.a + self.b
return value
fib = Fibonacci()
# 用 itertools 取前10个数
from itertools import islice
print(list(islice(fib, 10)))
# 输出: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]这个例子体现了迭代器最强大的能力：无限序列。如果用列表存储斐波那契数列，必须事先确定长度，而迭代器只在被请求时才计算下一个值，内存占用是常数级别的。配合itertools模块的islice、takewhile等工具，可以按需截取，这在处理大规模数据流时非常有用。
另一个实用场景是把任意对象变成可遍历的集合。比如一个班级类，希望for student in classroom能直接遍历学生，只需在类中实现__iter__并返回一个生成器：
class Classroom:
def __init__(self):
self.students = ["小明", "小红", "小刚"]
def __iter__(self):
# 直接返回生成器，代码最简洁
yield from self.students
for name in Classroom():
print(name)这种写法把类的内部数据结构与遍历逻辑解耦了。即使以后把students从列表改成其他容器，调用方的for循环代码完全不用改，这就是迭代器协议作为统一接口的价值所在。
四、用生成器简化迭代器代码
上面手写类的版本需要定义两个方法，代码略显繁琐。Python提供了更轻量的语法——生成器函数。只要函数中出现了yield关键字，这个函数就自动变成了生成器函数，调用它返回的就是一个迭代器，协议方法全部由解释器自动实现：
def fibonacci():
a, b = 0, 1
while True:
yield a
a, b = b, a + b
fib = fibonacci()
print(next(fib)) # 0
print(next(fib)) # 1
print(next(fib)) # 1
# 逐行读取大文件的经典写法
def read_large_file(path):
with open(path, encoding="utf-8") as f:
for line in f:
if line.strip():
yield line.strip()生成器与手写迭代器在功能上等价，但代码量少了很多，状态（局部变量a和b）也由函数栈帧自动保存，出错概率更低。处理大文件时这种逐行yield的方式可以避免把整个文件读进内存，几个G的日志文件也能在普通电脑上流畅分析。
需要注意的一点是，生成器同样是一次性的。耗尽后再调用next()只会得到StopIteration。如果需要多次遍历，要么重新调用生成器函数创建新实例，要么用list()把结果物化成列表——当然后者会牺牲惰性求值的内存优势，需要根据数据量权衡。另外，判断一个生成器是否还有剩余元素没有可靠的通用方法，这也是迭代器设计的固有特性，写业务代码时要提前考虑周全。
五、常见坑点与调试建议
第一个坑是把迭代器当列表用。比如对同一个生成器先后执行两次推导：lst1 = list(gen)之后，lst2 = list(gen)得到的一定是空列表，因为第一次已经耗尽了迭代器。遇到"第二次遍历没数据"的问题，第一时间检查对象是不是迭代器。
第二个坑是函数参数传递时的隐式消耗。把生成器传给某个函数，函数内部遍历了一遍，调用方再想遍历时数据已经没了。稳妥的做法是在函数入口处先物化：如果数据量小，直接data = list(data)；数据量大则明确文档约定该参数只能被消费一次。第三个坑是zip、map、filter等函数返回的都是迭代器，Python 3中它们不再返回列表，调试时想打印内容记得套一层list()。
总结一下学习路径：先分清可迭代对象与迭代器的判定标准，再理解for循环的三步流程，然后通过手写类版本体会协议细节，最后用生成器简化日常代码。迭代器是通往生成器表达式、itertools工具库和协程异步的必经之路，把这个概念吃透，后面这些内容都会变得顺理成章。