迭代器是Python中按需访问元素的核心机制，通过iter()从可迭代对象获取迭代器，再用next()逐个取值，直至StopIteration异常结束；可迭代对象实现__iter__方法返回迭代器，而迭代器需实现__iter__和__next__方法，for循环底层依赖此模式；自定义迭代器需手动管理状态和StopIteration，而生成器函数使用yield关键字更简洁高效，自动保存状态且惰性求值，更常用于处理大数据或无限序列。
在Python的世界里，迭代器（Iterator）是一个极其核心的概念，它提供了一种按需访问集合元素的方式，而无需一次性将所有数据加载到内存中。简单来说，迭代器就是一种“取值器”，你告诉它“给我下一个”，它就给你下一个元素，直到没有更多元素为止。它的使用非常直接：你通常会先通过内置的
iter()
函数从一个可迭代对象（Iterable）那里获取一个迭代器，然后使用
next()
函数来逐个取出元素。这种机制对于处理大量数据或无限序列尤其高效。
解决方案
要使用Python中的迭代器，我们首先需要理解两个核心概念：可迭代对象（Iterable）和迭代器（Iterator）。
一个可迭代对象是任何可以返回一个迭代器的对象。我们平时用
for
循环遍历的列表（list）、元组（tuple）、字符串（string）、字典（dict）等都是可迭代对象。它们内部实现了
__iter__
方法，当你调用
iter(some_iterable)
时，这个方法就会被调用，返回一个迭代器。
迭代器则是实现了
__iter__
和
__next__
两个方法的对象。
__iter__
方法返回迭代器本身，而
__next__
方法则负责返回序列中的下一个元素。当序列中没有更多元素时，
__next__
方法会抛出
StopIteration
异常，这正是
for
循环知道何时停止迭代的信号。
立即学习“Python免费学习笔记（深入）”；
基本使用步骤：
获取迭代器： 使用内置的
iter()
函数从一个可迭代对象中获取一个迭代器。
my_list = [1, 2, 3, 4]my_iterator = iter(my_list)print(type(my_iterator)) #
逐个取值： 使用内置的
next()
函数从迭代器中获取下一个元素。
print(next(my_iterator)) # 1print(next(my_iterator)) # 2print(next(my_iterator)) # 3print(next(my_iterator)) # 4
处理结束： 当所有元素都被取出后，再次调用
next()
会引发
StopIteration
异常。
try: print(next(my_iterator))except StopIteration: print("所有元素都已取出。")
for
循环的幕后英雄：实际上，我们日常使用的
for
循环正是迭代器模式的完美体现。当你写下
for item in my_list:
时，Python在幕后做了以下几件事：
它会调用
iter(my_list)
来获取一个迭代器。然后在一个循环中反复调用
next()
来获取每个元素。当
next()
抛出
StopIteration
时，
for
循环就会优雅地结束。
这正是迭代器强大之处，它让遍历逻辑与数据存储结构解耦，使得Python代码既简洁又高效。
Python迭代器与可迭代对象有什么区别？
这个问题常常让初学者感到困惑，但理解它们之间的差异是掌握迭代器模式的关键。在我看来，最直观的区分方式是：可迭代对象是“可以被迭代”的东西，而迭代器是“正在进行迭代”的东西。
从技术层面讲：
可迭代对象（Iterable）： 任何实现了
__iter__()
方法的对象就是可迭代对象。
__iter__()
方法必须返回一个迭代器。当你有一个列表、元组、字符串等，它们都是可迭代对象。你可以对它们调用
iter()
函数。
my_string = "hello" # 这是一个可迭代对象print(hasattr(my_string, '__iter__')) # True
迭代器（Iterator）： 任何同时实现了
__iter__()
和
__next__()
方法的对象就是迭代器。
__iter__()
方法应该返回迭代器本身（
return self
）。
__next__()
方法负责返回序列中的下一个元素，并在没有更多元素时抛出
StopIteration
异常。一个迭代器一旦遍历完成（即抛出
StopIteration
），通常就不能再次使用了，它会保持在“已耗尽”的状态。
一个简单的比喻：你可以把可迭代对象想象成一本书架，上面摆满了书。书架本身是可迭代的，你可以从上面取书。而迭代器就像你的手，你伸出手去书架上取书，一次一本。你的手（迭代器）知道下一本书在哪里，直到书架空了（
StopIteration
）。你取完一本书，你的手就准备好取下一本了。如果你的手已经把所有书都取完了，它就不能再从这个书架上取书了，除非你重新“获取”一只手（一个新的迭代器）。
# 列表是一个可迭代对象my_list = [1, 2, 3]# 获取迭代器list_iterator = iter(my_list)# 迭代器本身也是可迭代的（因为它实现了__iter__方法，返回自身）print(hasattr(list_iterator, '__iter__')) # Trueprint(hasattr(list_iterator, '__next__')) # True# 列表虽然是可迭代的，但它不是迭代器print(hasattr(my_list, '__next__')) # False
理解这个区别非常重要，它能帮助我们更清晰地认识
for
循环的工作机制，以及如何设计自己的数据结构以支持迭代。
如何在Python中创建自定义迭代器？
创建自定义迭代器是Python中一项非常强大的技能，它允许你为自己的类或数据结构定义迭代行为。这在处理一些特殊序列、无限序列或者需要按特定逻辑生成数据的场景下尤其有用。
要创建一个自定义迭代器，你需要定义一个类，并在这个类中实现两个特殊方法：
__iter__()
和
__next__()
。
__iter__(self)
： 这个方法应该返回迭代器对象本身。对于一个迭代器类来说，这意味着它通常会
return self
。
__next__(self)
： 这个方法是迭代器的核心。它负责计算并返回序列中的下一个元素。当序列中没有更多元素可供返回时，它必须抛出
StopIteration
异常，以此通知调用者（比如
for
循环）迭代已经结束。
让我们通过一个例子来创建一个自定义的迭代器，它能生成一个指定范围内的偶数：
class EvenNumbers: """ 一个生成指定范围内偶数的自定义迭代器。 """ def __init__(self, start, end): self.start = start self.end = end # 确保起始值是偶数，如果不是，则从下一个偶数开始 if self.start % 2 != 0: self.current = self.start + 1 else: self.current = self.start def __iter__(self): # 迭代器应该返回自身 return self def __next__(self): if self.current <= self.end: even_number = self.current self.current += 2 # 移动到下一个偶数 return even_number else: # 达到范围末尾，抛出StopIteration raise StopIteration# 使用我们自定义的迭代器print("使用自定义EvenNumbers迭代器:")for num in EvenNumbers(1, 10): print(num)print("n手动使用迭代器:")evens = EvenNumbers(5, 15)print(next(evens)) # 6print(next(evens)) # 8print(next(evens)) # 10print(next(evens)) # 12print(next(evens)) # 14try: print(next(evens)) # 尝试获取下一个，会抛出StopIterationexcept StopIteration: print("没有更多的偶数了。")# 再次尝试迭代同一个实例，会发现它已经耗尽了print("n再次迭代已耗尽的迭代器:")for num in evens: print(num) # 什么也不会打印，因为evens已经遍历完了
在这个
EvenNumbers
类中，
__init__
方法初始化了迭代的起始状态。
__iter__
方法简单地返回了
self
，表明这个类的实例本身就是一个迭代器。
__next__
方法是核心逻辑所在：它检查当前值是否还在指定范围内，如果是，就返回当前偶数并更新到下一个偶数；如果超出了范围，就抛出
StopIteration
。
创建自定义迭代器虽然功能强大，但有时会感觉有点样板代码（boilerplate）。我们需要手动管理状态（
self.current
）、处理边界条件和抛出
StopIteration
。这也是为什么Python提供了生成器（Generator）这种更简洁的方式来创建迭代器。
Python生成器（Generator）与迭代器有何关联，为何更常用？
谈到迭代器，就不能不提生成器。在我个人的开发经验中，生成器简直是Python提供的一大利器，它以一种极其优雅且简洁的方式，让我们能够创建出迭代器，而无需手动编写完整的迭代器类。可以说，所有的生成器都是迭代器，但不是所有的迭代器都是生成器。 生成器是迭代器的一种特殊实现形式。
生成器的核心在于
yield
关键字。 当一个函数中包含
yield
语句时，它就不再是一个普通的函数，而变成了一个生成器函数。调用这个生成器函数并不会立即执行函数体，而是会返回一个生成器对象（这个对象就是一个迭代器）。
每当
next()
函数被调用在生成器对象上时，生成器函数会从上次
yield
暂停的地方继续执行，直到遇到下一个
yield
语句，然后返回
yield
后面的值，并再次暂停。当函数执行完毕，或者遇到
return
语句（不带返回值），生成器会自动抛出
StopIteration
异常。
为什么生成器更常用？
语法简洁性： 这是最显而易见的好处。对比上面我们自定义的
EvenNumbers
类，使用生成器实现同样的功能会简洁得多。你不需要定义一个类，不需要手动管理
self.current
，也不需要显式地抛出
StopIteration
。
def generate_even_numbers(start, end): """ 一个生成指定范围内偶数的生成器函数。 """ current = start if current % 2 != 0: current += 1 # 确保从偶数开始 while current <= end: yield current current += 2print("n使用生成器生成偶数:")for num in generate_even_numbers(1, 10): print(num)# 生成器对象也是一个迭代器gen_evens = generate_even_numbers(5, 15)print(next(gen_evens)) # 6print(next(gen_evens)) # 8# ...
这段代码明显比类实现的迭代器更短、更易读。
状态管理自动化： 生成器函数会自动保存其局部变量的状态。每次
yield
暂停时，函数的所有局部变量都会被冻结，直到下一次
next()
调用时恢复。这大大简化了复杂迭代逻辑的状态管理。
内存效率： 生成器是“惰性”的。它们不会一次性生成所有数据并存储在内存中，而是在每次请求时才生成下一个值。这对于处理大型数据集、无限序列或数据流时，是至关重要的优势。例如，读取一个巨大的文件，一行一行地处理，而不是一次性加载整个文件内容。
易于理解和调试： 生成器函数的行为更接近普通函数，其流程更容易追踪和理解，这对于调试也很有帮助。
尽管自定义迭代器类在某些复杂场景（比如需要维护更复杂的状态或提供更多方法时）仍然有其价值，但在大多数需要简单迭代行为的场景下，生成器无疑是更优的选择。它们让Python代码更加Pythonic——简洁、高效、富有表现力。
以上就是Python中迭代器如何使用 Python中迭代器教程的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1368750.html
微信扫一扫 
支付宝扫一扫 
