您大概传闻过，带有 yield 的函数在 Python 中被称之为 generator（生成器），何谓 generator ？
我们先抛开 generator，以一个常见的编程题目来展示 yield 的观念。
如何生成斐波那契數列
斐波那契（Fibonacci）數列是一个很是简朴的递归数列，除第一个和第二个数外，任意一个数都可由前两个数相加获得。用计较机措施输出斐波那契數列的前 N 个数是一个很是简朴的问题，很多初学者都可以等闲写出如下函数：
清单 1. 简朴输出斐波那契數列前 N 个数
deffab(max):
n, a, b =0, 0, 1
whilen < max:
printb
a, b =b, a +b
n =n +1
执行 fab(5)，我们可以获得如下输出：
>>> fab(5)
功效没有问题，但有履历的开拓者会指出，直接在 fab 函数顶用 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，其他函数无法得到该函数生成的数列。
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。以下是 fab 函数改写后的第二个版本：
清单 2. 输出斐波那契數列前 N 个数第二版
deffab(max):
n, a, b =0, 0, 1
L =[]
whilen < max:
L.append(b)
a, b =b, a +b
n =n +1
returnL
可以利用如下方法打印出 fab 函数返回的 List：
>>> forn infab(5):
… printn
…
改写后的 fab 函数通过返回 List 能满意复用性的要求，可是更有履历的开拓者会指出，该函数在运行中占用的内存会跟着参数 max 的增大而增大，假如要节制内存占用，最好不要用 List
来生存中间功效，而是通过 iterable 工具来迭代。譬喻，在 Python2.x 中，代码：
清单 3. 通过 iterable 工具来迭代
fori inrange(1000): pass
会导致生成一个 1000 个元素的 List，而代码：
fori inxrange(1000): pass
则不会生成一个 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 工具。
操作 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：
清单 4. 第三个版本
classFab(object):
def__init__(self, max):
self.max=max
self.n, self.a, self.b =0, 0, 1
def__iter__(self):
returnself
defnext(self):
ifself.n < self.max:
r =self.b
self.a, self.b =self.b, self.a +self.b
self.n =self.n +1
returnr
raiseStopIteration()
Fab 类通过 next() 不绝返回数列的下一个数，内存占用始终为常数：
>>> forn inFab(5):
… printn
…
然而，利用 class 改写的这个版本，代码远远没有第一版的 fab 函数来得简捷。假如我们想要保持第一版 fab 函数的简捷性，同时又要得到 iterable 的结果，yield 就派上用场了：
清单 5. 利用 yield 的第四版
deffab(max):
n, a, b =0, 0, 1
whilen < max:
yieldb
# print b
a, b =b, a +b
n =n +1
第四个版本的 fab 和第一版对比，仅仅把 print b 改为了 yield b，就在保持简捷性的同时得到了 iterable 的结果。
挪用第四版的 fab 和第二版的 fab 完全一致：
>>> forn infab(5):
… printn
…
简朴地讲，yield 的浸染就是把一个函数酿成一个 generator，带有 yield 的函数不再是一个普通函数，Python 表明器会将其视为一个 generator，挪用 fab(5) 不会执行 fab 函数，而是返回一个 iterable 工具！在 for 轮回执行时，每次轮回城市执行 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 的下一条语句继承执行，而函数的当地变量看起来和上次间断执行前是完全一样的，于是函数继承执行，直到再次碰着 yield。
也可以手动挪用 fab(5) 的 next() 要领（因为 fab(5) 是一个 generator 工具，该工具具有 next() 要领），这样我们就可以更清楚地看到 fab 的执行流程：
清单 6. 执行流程
>>> f =fab(5)
>>> f.next()
>>> f.next()
>>> f.next()
>>> f.next()
>>> f.next()
>>> f.next()
Traceback (most recent call last):
File"", line 1, in StopIteration
当函数执行竣事时，generator 自动抛出 StopIteration 异常，暗示迭代完成。在 for 轮回里，无需处理惩罚 StopIteration 异常，轮回会正常竣事。
我们可以得出以下结论：
#p#分页标题#e#
一个带有 yield 的函数就是一个 generator，它和普通函数差异，生成一个 generator 看起来像函数挪用，但不会执行任何函数代码，直到对其挪用 next()（在 for 轮回中会自动挪用 next()）才开始执行。固然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会间断，并返回一个迭代值，下次执行时从 yield 的下一个语句继承执行。看起来就仿佛一个函数在正常执行的进程中被 yield 间断了数次，每次间断城市通过 yield 返回当前的迭代值。
yield 的长处是显而易见的，把一个函数改写为一个 generator 就得到了迭代本领，比起用类的实例生存状态来计较下一个 next() 的值，不只代码简捷，并且执行流程异常清晰。
如何判定一个函数是否是一个非凡的 generator 函数？可以操作 isgeneratorfunction 判定：
清单 7. 利用 isgeneratorfunction 判定
>>> frominspect importisgeneratorfunction
>>> isgeneratorfunction(fab)
True
要留意区分 fab 和 fab(5)，fab 是一个 generator function，而 fab(5) 是挪用 fab 返回的一个 generator，比如类的界说和类的实例的区别：
清单 8. 类的界说和类的实例
>>> importtypes
>>> 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：
>>> fromcollections importIterable
>>> isinstance(fab, Iterable)
False
>>> isinstance(fab(5), Iterable)
True
每次挪用 fab 函数城市生成一个新的 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 的浸染
在一个 generator function 中，假如没有 return，则默认执行至函数完毕，假如在执行进程中 return，则直接抛出 StopIteration 终止迭代。
另一个例子
另一个 yield 的例子来历于文件读取。假如直接对文件工具挪用 read() 要领，会导致不行预测的内存占用。好的要领是操作牢靠长度的缓冲区来不绝读取文件内容。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：
清单 9. 另一个 yield 的例子
defread_file(fpath):
BLOCK_SIZE =1024
with open(fpath, 'rb') as f:
whileTrue:
block =f.read(BLOCK_SIZE)
ifblock:
yieldblock
else:
return
以上仅仅简朴先容了 yield 的根基观念和用法，yield 在 Python 3 中尚有更强大的用法，我们会在后续文章中接头。
注：本文的代码均在 Python 2.7 中调试通过
