Python中yield简单用法
你或许知道带有yield的函数在Python中被称之为generator,那何为 generator?
我们暂时抛开generator,先从一个常见编程题目开始,循序渐进了解yield的概念。
生成Fibonacci数列
Fibonacci数列是一个经典递归数列,第0个数为0,第1个数为1,除第0个和第1个数外,任意一个数都可由前两个数相加得到。
Fibonacci数列(版本一)
一种Fibonacci数列简单实现:
def fab(max):n, a, b = 0, 0, 1while n < max:print ba, b = b, a + bn = n + 1
fab(5)
运行结果:
1
1
2
3
5
结果没有问题,但有经验的开发者会指出,直接在fab函数中用print打印数字会导致该函数可复用性较差,因为fab函数返回 None,其他函数无法获得该函数生成的数列。
要提高fab函数的可复用性,最好不要直接打印出数列,而是返回一个list。那么我们在版本一的基础上进行修改。
Fibonacci数列(版本二)
def fab(max):n, a, b = 0, 0, 1L = []while n < max:L.append(b)a, b = b, a + bn = n + 1return Lfor n in fab(5):print n
运行结果:
1
1
2
3
5
改写后的fab函数通过返回List能满足复用性的要求,但是更有经验的开发者会指出,该函数在运行中占用的内存会随着参数max的增大而增大。
如果要控制内存占用,最好不要用List来保存中间结果,而是通过iterable对象来迭代。
例如,在 Python2.x中,代码:
for i in range(1000): pass
上述代码会导致生成一个1000个元素的List。
for i in xrange(1000): pass
上述代码不会生成一个1000个元素的List,而是在每次迭代中返回下一个数值,内存空间占用很小。因为 xrange不返回List,而是返回一个 iterable 对象。
利用iterable我们可以把fab函数改写为一个支持iterable的class,以下是第三个版本的fab:
Fibonacci数列(版本三)
class Fab(object):def __init__(self, max):self.max = maxself.n, self.a, self.b = 0, 0, 1def __iter__(self):return selfdef next(self):if self.n < self.max:r = self.bself.a, self.b = self.b, self.a + self.bself.n = self.n + 1return rraise StopIteration()for n in Fab(5):print n
Fab类通过next()不断返回数列的下一个数,内存占用始终为常数:
1
1
2
3
5
然而,使用class改写的这个版本,代码远远没有第一版的fab函数来得简洁。如果我们想要保持第一版fab函数的简洁性,同时又要获得iterable的效果,yield闪亮登场:
Fibonacci数列(版本四)(yield)
def fab(max):n, a, b = 0, 0, 1while n < max:yield b # 使用 yield# print ba, b = b, a + bn = n + 1for n in fab(5):print n
第四个版本的fab和第一版相比,仅仅把print b
改为了yield b
,就在保持简洁性的同时获得了 iterable的效果。
调用第四版的fab和第二版的fab完全一致:
1
1
2
3
5
简单地讲,yield的作用就是把一个函数变成一个generator,带有yield的函数不再是一个普通函数,Python解释器会将其视为一个generator,调用 fab(5)不会执行fab函数,而是返回一个 iterable对象!
在for循环执行时,每次循环都会执行fab函数内部的代码,执行到yield b
时,fab 函数就返回一个迭代值,下次迭代时,代码从yield b
的下一条语句继续执行,而函数的本地变量看起来和上次中断执行前是完全一样的,于是函数继续执行,直到再次遇到 yield。
也可以手动调用fab(5)的next()方法(因为 fab(5) 是一个 generator 对象,该对象具有next()方法),这样我们就可以更清楚地看到 fab 的执行流程:
>>>f = fab(5)
>>> f.next()
1
>>> f.next()
1
>>> f.next()
2
>>> f.next()
3
>>> f.next()
5
>>> f.next()
Traceback (most recent call last):File "<stdin>", line 1, in <module>
StopIteration
当函数执行结束时,generator自动抛出StopIteration异常,表示迭代完成。在for循环里,无需处理 StopIteration异常,循环会正常结束。
小结
一个带有 yield 的函数就是一个 generator,它和普通函数不同,生成一个 generator 看起来像函数调用,但不会执行任何函数代码,直到对其调用next()(在 for 循环中会自动调用 next())才开始执行。虽然执行流程仍按函数的流程执行,但每执行到一个 yield 语句就会中断,并返回一个迭代值,下次执行时从yield的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次,每次中断都会通过yield返回当前的迭代值。
yield的好处是显而易见的,把一个函数改写为一个generator就获得了迭代能力,比起用类的实例保存状态来计算下一个next()的值,不仅代码简洁,而且执行流程异常清晰。
特殊的generator函数其他相关
如何判断一个函数是否是一个特殊的generator函数?可以利用isgeneratorfunction判断:
>>>import types
>>> isinstance(fab, types.GeneratorType)
False
>>> isinstance(fab(5), types.GeneratorType)
True
要注意区分 fab 和 fab(5),fab 是一个 generator function,而 fab(5) 是调用 fab 返回的一个 generator,好比类的定义和类的实例的区别:
>>>import types
>>> isinstance(fab, types.GeneratorType)
False
>>> isinstance(fab(5), types.GeneratorType)
True
fab 是无法迭代的,而 fab(5) 是可迭代的:
>>>from collections import Iterable
>>> isinstance(fab, Iterable)
False
>>> isinstance(fab(5), Iterable)
True
每次调用 fab 函数都会生成一个新的generator实例,各实例互不影响:
>>>f1 = fab(3)
>>> f2 = fab(5)
>>> print 'f1:', f1.next()
f1: 1
>>> print 'f2:', f2.next()
f2: 1
>>> print 'f1:', f1.next()
f1: 1
>>> print 'f2:', f2.next()
f2: 1
>>> print 'f1:', f1.next()
f1: 2
>>> print 'f2:', f2.next()
f2: 2
>>> print 'f2:', f2.next()
f2: 3
>>> print 'f2:', f2.next()
f2: 5
return的作用
在一个 generator function 中,如果没有return,则默认执行至函数完毕,如果在执行过程中 return,则直接抛出StopIteration终止迭代。
另一个例子——用在文件读取的yield
如果直接对文件对象调用read()方法,会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield,我们不再需要编写读文件的迭代类,就可以轻松实现文件读取:
def read_file(fpath):BLOCK_SIZE = 1024with open(fpath, 'rb') as f:while True:block = f.read(BLOCK_SIZE)if block:yield blockelse:return
总结
以上仅仅简单介绍了 yield 的基本概念和用法,yield 在 Python 3 中还有更强大的用法。
参考资料
Python yield 使用浅析