Python yield使用浅析
您可能听说过，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的概念。
如何生成斐波那契數列
斐波那契（Fibonacci）數列是一个非常简单的递归数列，除第一个和第二个数外，任意一个数都可由前两个数相加得到。用计算机程序输出斐波那契数列的前N个数是一个非常简单的问题，许多初学者都可以轻易写出如下函数：
# 清单 1. 简单输出斐波那契数列前 N 个数:
def fab(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
执行fab(5)，我们可以得到如下输出：
>>> fab(5)
1
1
2
3
5
结果没有问题，但有经验的开发者会指出，直接在fab函数中用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，其他函数无法获得该函数生成的数列。
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. 输出斐波那契数列前 N 个数第二版:
def fab(max):
n, a, b = 0, 0, 1
L = []
while n < max:
L.append(b)
a, b = b, a + b
n = n + 1
return L
可以使用如下方式打印出fab函数返回的list：
>>> for n in fab(5):
... print(n)
...
1
1
2
3
5
改写后的fab函数通过返回list能满足复用性的要求，但是更有经验的开发者会指出，该函数在运行中占用的内存会随着参数max的增大而增大，如果要控制内存占用，最好不要用list来保存中间结果，而是通过iterable对象来迭代。例如，在Python中，代码：
# 清单 3. 通过 iterable 对象来迭代:
for i in range(1000):
pass
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range不返回list，而是返回一个iterable对象。
利用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:
class Fab(object):
def __init__(self, max):
self.max = max
self.n, self.a, self.b = 0, 0, 1
def __iter__(self):
return self
def next(self):
if self.n < self.max:
r = self.b
self.a, self.b = self.b, self.a + self.b
self.n = self.n + 1
return r
raise StopIteration()
Fab类通过next()不断返回数列的下一个数，内存占用始终为常数：
>>> for n in Fab(5):
... print(n)
...
1
1
2
3
5
然而，使用class改写的这个版本，代码远远没有第一版的fab函数来得简洁。如果我们想要保持第一版fab函数的简洁性，同时又要获得iterable的效果，yield就派上用场了：
# 清单 5. 使用 yield 的第四版:
def fab(max):
n, a, b = 0, 0, 1
while n < max:
yield b
# print(b)
a, b = b, a + b
n = n + 1
第四个版本的fab和第一版相比，仅仅把print(b)改为了yield b，就在保持简洁性的同时获得了iterable的效果。
调用第四版的fab和第二版的fab完全一致：
>>> for n in fab(5):
... print(n)
...
1
1
2
3
5
简单地讲，yield的作用就是把一个函数变成一个generator，带有yield的函数不再是一个普通函数，Python解释器会将其视为一个generator，调用fab(5)不会执行fab函数，而是返回一个iterable对象！在for循环执行时，每次循环都会执行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的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到yield。
也可以手动调用fab(5)的next()方法（因为fab(5)是一个generator对象，该对象具有next()方法），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()
1
>>> f.next()
1
>>> f.next()
2
>>> f.next()
3
>>> f.next()
5
>>> f.next()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
当函数执行结束时，generator自动抛出StopIteration异常，表示迭代完成。在for循环里，无需处理StopIteration异常，循环会正常结束。
我们可以得出以下结论：
一个带有yield的函数就是一个generator，它和普通函数不同，生成一个generator看起来像函数调用，但不会执行任何函数代码，直到对其调用next()（在for循环中会自动调用next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个yield语句就会中断，并返回一个迭代值，下次执行时从yield的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被yield中断了数次，每次中断都会通过yield返回当前的迭代值。
yield的好处是显而易见的，把一个函数改写为一个generator就获得了迭代能力，比起用类的实例保存状态来计算下一个next()的值，不仅代码简洁，而且执行流程异常清晰。
如何判断一个函数是否是一个特殊的generator函数？可以利用isgeneratorfunction判断：
# 清单 7. 使用 isgeneratorfunction 判断:
>>> from inspect import isgeneratorfunction
>>> isgeneratorfunction(fab)
True
要注意区分fab和fab(5)，fab是一个generator function，而fab(5)是调用fab返回的一个generator，好比类的定义和类的实例的区别：
# 清单 8. 类的定义和类的实例:
>>> import types
>>> 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：
>>> from collections import Iterable
>>> isinstance(fab, Iterable)
False
>>> isinstance(fab(5), Iterable)
True
每次调用fab函数都会生成一个新的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
另一个例子
另一个yield的例子来源于文件读取。如果直接对文件对象调用read()方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。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:
def read_file(fpath):
BLOCK_SIZE = 1024
with open(fpath, 'rb') as f:
while True:
block = f.read(BLOCK_SIZE)
if block:
yield block
else:
return
以上仅仅简单介绍了yield的基本概念和用法，yield在 Python 3中还有更强大的用法，我们会在后续文章中讨论。