生成器函数、yield 关键字、惰性求值机制

生成器是 Python 中一种特殊的迭代器，它让你用函数的写法来实现迭代逻辑，但执行时不会一次性把所有结果算出来，而是用到的时候才计算下一个值。这种“按需计算”的策略就是惰性求值。

生成器函数：用 yield 代替 return

定义生成器的语法和普通函数几乎一样，只是不再用 return 返回所有结果，而是用 yield 逐个“产出”结果。
当函数体中出现 yield 关键字时，该函数就不再是普通函数，而是生成器函数。调用生成器函数并不会执行函数体，而是返回一个生成器对象。

一个最简单的例子：

def count_up_to(n):
    i = 1
    while i <= n:
        yield i
        i += 1

gen = count_up_to(3)      # 这里不会执行函数体，只是创建了一个生成器对象
print(next(gen))          # 输出 1
print(next(gen))          # 输出 2
print(next(gen))          # 输出 3
# 再调用 next() 会抛出 StopIteration 异常

yield 关键字的执行流程
每次调用 next()（或者在 for 循环中每次迭代）时：

生成器函数从头开始执行，或从上次暂停的地方继续执行。
遇到 yield 时，把 yield 后面的值返回给外部调用者，函数状态暂停并保留所有局部变量。
当再次调用 next() 时，函数从暂停处继续往下执行，直到再次遇到 yield，以此类推。
如果函数执行完也没有再遇到 yield，则自动抛出 StopIteration，循环就会正常结束。

这就像一个可以多次“中断再恢复”的函数，非常形象。

惰性求值：省内存、能处理无限序列
“惰性”意味着延迟计算——数据只在真正需要的那一刻才被生成，而不是提前全部算好放在列表里。

处理大文件：比如读取一个几 GB 的日志文件，如果用 f.readlines() 会把全部内容加载到内存，很可能爆内存。而把文件对象当作迭代器（或写一个逐行 yield 的生成器），每次只读入一行处理一行，内存占用只有一行的大小。
无限序列：生成器可以产出无穷无尽的值（比如所有自然数、斐波那契数列），只要外部循环来控制何时停止。如果用具象列表，预先生成无限个值是不可能的。

def infinite_numbers():
    n = 0
    while True:
        yield n
        n += 1

管道式组合：多个生成器可以像管道一样串联，前一个生成器的输出成为后一个生成器的输入。每一层都是按需计算的，整个链条的内存消耗极小。

生成器表达式：更简洁的语法
和列表推导式类似，换成圆括号就成了生成器表达式。它不会立即计算所有元素，而是返回一个生成器对象。

squares = (x * x for x in range(10))   # 生成器对象
print(next(squares))                   # 0
print(next(squares))                   # 1
# 可以直接用在 for 循环中
for sq in (x * x for x in range(5)):
    print(sq)

与列表推导式的区别：

[x*x for x in range(1000000)] 会立刻在内存中创建 100 万个元素的列表，可能占用几百 MB 内存。
(x*x for x in range(1000000)) 只是一个生成器，内存占用几乎可以忽略不计，计算在迭代时实时进行。

实际应用场景

文件逐行读取与过滤：例如，读取大日志文件，找出包含 “ERROR” 的行，而不必加载整个文件。
数据流水线：读取数据 → 清洗数据 → 转换格式 → 输出结果，每一步都用生成器，整条流水线内存高效。
替代临时列表：在很多只需要遍历一次的场景下，用生成器表达式代替列表推导式可以显著降低内存消耗。例如 sum(x*2 for x in range(1000000))，直接用生成器传给 sum()，无需先创建一个百万元素的列表。

本节关键总结

生成器函数：用 yield 逐个产出值，调用时返回生成器对象，支持 next() 或直接用于 for 循环。
yield 执行模型：暂停并保存现场，等待下一次 next() 时恢复执行。
惰性求值：按需生成数据，避免一次性加载所有数据到内存，非常适合处理大数据量和无限序列。
生成器表达式：语法更紧凑的生成器创建方式，场景和列表推导式类似，但内存友好。