Python 里有一个超实用的 “内存小帮手”——生成器！它就像一条智能的数据生产线，不会一股脑儿把所有数据都塞给你，而是需要多少生产多少，特别节省内存。无论是处理海量数据，还是实现异步任务，生成器都能大显身手。接下来，就带大家看看它是怎么工作的！

 一、生成器是什么？先和列表对比一下 平时我们用列表保存数据，比如 [1, 2, 3, 4, 5] ，所有元素都存在内存里。但如果数据量超大，像包含 100 万个数字的列表，内存可能就 “吃不消” 了。这时候，生成器就派上用场了！生成器不会一次性生成所有数据，而是 按需生成 ，有点像 “挤牙膏”，用多少取多少。 生成器有两种创建方式：生成器函数和生成器表达式，下面咱们分别来看！ 二、生成器函数：用 yield “暂停” 和 “继续” 生成器函数和普通函数长得很像，唯一的区别是它用 yield 关键字替代 return 。yield 就像一个 “暂停键”，每次执行到它，函数会暂停并返回一个值，下次调用时从暂停的地方继续执行。 举个例子，我们写一个生成器函数，生成从 1 到 10 的自然数：

def number_generator():    for num in range(1, 11):        yield num  # 使用yield返回值，函数变为生成器函数gen = number_generator()  # 创建生成器对象for _ in range(3):    print(next(gen))  # 输出：1 2 3

代码解释： 1.number_generator 函数里的 yield num 让函数变成了生成器。 2.next(gen) 用于 “唤醒” 生成器，获取下一个值。每调用一次 next ，生成器从上次 yield 的地方继续执行。 小贴士：当生成器没有更多数据可生成时，调用 next 会抛出 StopIteration 异常。一般用 for 循环迭代生成器，它会自动处理这个异常。三、生成器表达式：列表推导式的 “兄弟” 生成器表达式和列表推导式语法很像，只不过把列表推导式的方括号 [] 换成圆括号 () 。但它们的工作方式完全不同：列表推导式会立即生成完整列表，而生成器表达式不会立即计算数据，只有在需要时才生成。 比如，生成 1 到 10 的平方数：

# 列表推导式，立即生成列表square_list = [x ** 2 for x in range(1, 11)]print(square_list)  # 输出：[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]# 生成器表达式，延迟生成数据square_generator = (x ** 2 for x in range(1, 11))print(next(square_generator))  # 输出：1print(next(square_generator))  # 输出：4

从内存占用来看，如果要生成 100 万个数字的平方，列表推导式会一次性占用大量内存，而生成器表达式几乎不占用额外内存，因为它只有在调用 next 时才计算数据。 
四、生成器的实际应用场景 1. 处理大文件 读取超大文件时，用生成器可以一行一行读取，避免一次性把文件内容全塞进内存。

def read_large_file(file_path):    with open(file_path, 'r') as file:        for line in file:            yield line  # 每次返回一行内容file_gen = read_large_file('large_file.txt')for _ in range(5):    print(next(file_gen).strip())  # 输出文件的前5行

2. 无限数据流 生成器可以模拟无限数据流，比如生成无限的随机数序列：

import randomdef infinite_random_generator():    while True:        yield random.random()  # 无限生成随机数rand_gen = infinite_random_generator()print(next(rand_gen))  # 输出一个随机数

五、生成器的进阶玩法：生成器的 send 和 throw
 除了 next 方法，生成器还有 send 和 throw 方法。send 可以在唤醒生成器的同时，向生成器内部传入数据；throw 则用于在生成器内部抛出异常。

def counter():    count = 0    while True:        increment = yield count  # yield暂停并返回count，同时接收外部传入的值        if increment is None:            increment = 1        count += incrementgen = counter()print(next(gen))  # 输出：0print(gen.send(5))  # 传入5，输出：5print(gen.send(3))  # 传入3，输出：8

这里 yield count 不仅返回 count 的值，还能通过 send 接收外部传入的 increment ，更新 count 的值。六、使用生成器的注意事项 1.生成器只能迭代一次：一旦生成器数据被全部迭代完，再次调用 next 会报错。如果需要重复使用数据，建议重新创建生成器对象。 2.调试困难：因为生成器的执行是 “暂停 - 继续” 模式，调试时可能不太直观。可以在 yield 附近加 print 语句辅助排查问题。 3.与函数式编程结合：生成器常和 map、filter 等函数式工具搭配使用，能写出简洁又高效的代码。 
七、练习题 
1.用生成器函数实现一个斐波那契数列生成器，能无限生成斐波那契数。 2.有一个包含 10 万个随机整数的文件 random_numbers.txt ，用生成器表达式读取文件，计算所有数字的平均值（避免一次性读取所有数据）。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。