那天吃完午饭，我正靠在工位上打着瞌睡，突然我们组的实习生跑过来问我一句：“哥，Python 的 generator 到底是干嘛的？我看文档上写能节省内存，但我一点没体会到啊。”我一听这个问题，瞬间清醒了。因为这事儿我当年也懵过，直到有一次线上日志炸了，才算真理解了生成器的妙处。

先这么说吧，generator 就是 Python 里一个能“边干活边产出结果”的家伙。你平时写的函数，一般都是“全做完再一次性返回结果”，比如：

def get_numbers():
    return [i for i in range(1000000)]

这种函数看起来挺正常的，但如果你打印下 sys.getsizeof(get_numbers())，那内存直接飙上去。因为它会在内存里一下子创建出一百万个数字。那要是再大点，比如十亿个？电脑直接卡死。

而生成器不一样。它不是一次性造出所有结果，而是“你要一个我给一个”，就像外卖骑手：你点一份我送一份，不会一次性全堆门口。你写成这样：

def get_numbers():
    for i in range(1000000):
        yield i

关键字 yield 就是生成器的灵魂，它会让函数变成一种“可迭代对象”，但不会立刻执行完。当你去遍历它的时候，它才慢慢“吐出”结果。内存瞬间轻松了，系统也不会崩。

我还记得当时是怎么真切体会到 generator 的威力的。那天线上跑一个日志分析脚本，里面要读取几十个 GB 的日志文件。我写的那版是直接 readlines() 一次读进内存，结果整个服务器直接 OOM。我被领导点名复盘的时候脸都绿了。后来同事教我用生成器改写：

def read_logs(filename):
    with open(filename, 'r') as f:
        for line in f:
            yield line.strip()

这段代码看起来没啥特别的，但它神奇的地方就在这里——文件是逐行读的，不会一次性塞到内存。整个脚本从十几分钟卡死，变成稳定跑完几小时，内存占用才几十 MB。那次之后我彻底信了 generator 的魔法。

那你可能会问了，除了省内存，还有啥好处？其实还有两个很实用的点：一个是提高性能，另一个是简化异步逻辑。

先说性能。举个例子，比如你要找出一个列表中所有偶数的平方。如果用列表推导式：

squares = [x*x for x in numbers if x % 2 == 0]

这没问题，但会立刻创建一个完整的列表。而生成器表达式就像是它的“懒加载版本”：

squares = (x*x for x in numbers if x % 2 == 0)

区别就在一个小括号。这个版本不会立刻生成全部数据，只有当你遍历它时才会逐步算出来。对于大型数据处理，这个差距是质变的。

我那会儿写日志聚合分析时，就是用这种方式。以前整份日志文件全进内存，现在一行一行过滤、处理、统计，用生成器串起来，代码可读性高、性能还稳。

再说异步。其实 Python 的协程（async/await）机制就是从生成器演化来的。早期版本还没有协程语法时，就是用 yield 来实现“暂停和恢复”的。比如：

def countdown(n):
    while n > 0:
        yield n
        n -= 1

这个 yield 本质上可以理解为一个“暂停点”。执行到那一步时，它会保存当前函数状态，下次再调用时，从这个状态继续往下走。这不就是协程干的事嘛？所以后来才有了更高级的 async def 写法，但本质思路一脉相承。很多框架（比如 Tornado、早期的 asyncio）底层都靠生成器实现异步调度。

不过说句实话，generator 也不是万能的。我刚接触的时候，特别容易写出一堆乱七八糟的 yield 函数，自己都不知道状态在哪。比如这个：

def weird():
    print("Start")
    yield 1
    print("Middle")
    yield 2
    print("End")

当你用 next() 调用它的时候，它不是一次性执行，而是每次执行到 yield 停下来。比如：

g = weird()
next(g)
next(g)
next(g)

输出依次是：

Start
Middle
End

它其实就像是函数的“断点续传”。每次 yield 都会暂停执行，等下次再恢复。如果你脑子不太清楚逻辑，调试起来就跟捉迷藏一样。尤其是在多层嵌套生成器的时候，真的容易把自己绕晕。

我还记得有次写爬虫的时候，用生成器嵌套生成器，一个负责抓页面，一个负责解析链接，还有一个控制调度。结果我当时加了个错误重试的逻辑，yield 嵌进 try-except 里，异常一出来整个生成链断了。那会儿我差点怀疑人生。后来才学会用 yield from 把子生成器“代理”出来，这样结构清晰多了：

def fetch_all(urls):
    for url in urls:
        yield from fetch_page(url)

这句 yield from 等价于把 fetch_page 里的所有 yield 都打平出来，既省代码又逻辑顺滑。也是 Python 3 之后才支持的一个小亮点。

讲到这其实差不多该总结一下了。generator 这个东西，简单说就是：它能让你在需要时才产出数据，不浪费内存，还能天然支持异步逻辑。它的本质是“惰性求值”——你不去取，它就不计算。听着简单，但真正灵活运用起来，能让代码又快又优雅。

尤其在处理流式数据（文件、日志、网络请求）时，生成器几乎是唯一正确的选择。以前你可能要写一堆缓存、分页逻辑，现在一句 yield 就搞定。节约资源的同时，还让代码更贴近“数据流”的思维。

后来那个实习生也终于明白了，过来和我说：“原来 generator 就是个‘边走边算’的函数啊。”我笑着说，对，它像个“节奏掌控者”，不是一口气冲刺，而是每一步都精准输出。其实编程很多时候就是这样——不是要让电脑做得更多，而是让它做得刚刚好。

所以啊，Python 的生成器看似平淡，背后藏着效率的哲学。你要真懂了它，就能写出更轻盈、更可控的程序。再也不会因为一个几百 MB 的文件把内存挤爆，也不会被“等所有结果算完再返回”的老逻辑拖垮。那天我跟实习生说完这话，转头自己想想，也挺感慨的——学技术这事，很多时候就是得自己卡过一两次，才会真心服。

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。