从今天开始，我们将开始进入Python的难点，那就是
协程
。
为了写明白协程的知识点，我查阅了网上的很多相关资料。发现很难有一个讲得系统，讲得全面的文章，导致我们在学习的时候，往往半知半解，学完还是一脸懵逼。
学习协程的第一门课程，是要认识
生成器
，有了
生成器
的基础，才能更好地理解
协程
。
如果你是新手，那么你应该知道
迭代器
，对
生成器
应该是比较陌生的吧。没关系，看完这系列文章，你也能从小白成功过渡为Ptyhon高手。
1. 可迭代、迭代器、生成器
初学Python的时候，对于这三货真的是傻傻分不清。甚至还认为他们是等价的。
其实，他们是不一样的。
可迭代的对象，很好理解，我们很熟悉的：
字符串
，
list
，
dict
，
tuple
，
deque
等
为了验证我说的，需要借助
collections.abc
这个模块(Python2没有)，使用
isinstance()
来类别一个对象是否是可迭代的(
Iterable
)，是否是迭代器(
Iterator
)，是否是生成器(
Generator
)。
这几个判断方法，在这里适用，但并不是绝对适用，原因见后面补充说明。
import collectionsfrom collections.abc import Iterable, Iterator, Generator# 字符串astr = "XiaoMing"print("字符串：{}".format(astr))print(isinstance(astr, Iterable))print(isinstance(astr, Iterator))print(isinstance(astr, Generator))# 列表alist = [21, 23, 32,19]print("列表：{}".format(alist))print(isinstance(alist, Iterable))print(isinstance(alist, Iterator))print(isinstance(alist, Generator))# 字典adict = {"name": "小明", "gender": "男", "age": 18}print("字典：{}".format(adict))print(isinstance(adict, Iterable))print(isinstance(adict, Iterator))print(isinstance(adict, Generator))# dequeadeque=collections.deque('abcdefg')print("deque：{}".format(adeque))print(isinstance(adeque, Iterable))print(isinstance(adeque, Iterator))print(isinstance(adeque, Generator))
输出结果
字符串：XiaoMingTrueFalseFalse列表：[21, 23, 32, 19]TrueFalseFalse字典：{'name': '小明', 'gender': '男', 'age': 18}TrueFalseFalsedeque：deque(['a', 'b', 'c', 'd', 'e', 'f', 'g'])TrueFalseFalse
从结果来看，这些可迭代对象都不是迭代器，也不是生成器。它们有一个共同点，就是它们都可以使用
for
来循环。这一点，大家都知道，我们就不去验证了。
关于可迭代对象，有几点需要补充说明
- 可以通过，
dir()
__iter__
- 判断是否可迭代，不能仅看是否有
__iter__
__getitem__
__iter__
__getitem__
- 所以，最好的判断方法应该是通过
for循环
iter()
接下来是，
迭代器
。对比可迭代对象，
迭代器
其实就只是多了一个函数而已。就是
__next__()
，我们可以不再使用
for
循环来间断获取元素值。而可以直接使用next()方法来实现。
迭代器，是在可迭代的基础上实现的。要创建一个迭代器，我们首先，得有一个可迭代对象。现在就来看看，如何创建一个可迭代对象，并以可迭代对象为基础创建一个迭代器。
from collections.abc import Iterable, Iterator, Generatorclass MyList(object): # 定义可迭代对象类 def __init__(self, num): self.end = num # 上边界 # 返回一个实现了__iter__和__next__的迭代器类的实例 def __iter__(self): return MyListIterator(self.end)class MyListIterator(object): # 定义迭代器类 def __init__(self, end): self.data = end # 上边界 self.start = 0 # 返回该对象的迭代器类的实例；因为自己就是迭代器，所以返回self def __iter__(self): return self # 迭代器类必须实现的方法，若是Python2则是next()函数 def __next__(self): while self.start < self.data: self.start += 1 return self.start - 1 raise StopIterationif __name__ == '__main__': my_list = MyList(5) # 得到一个可迭代对象 print(isinstance(my_list, Iterable)) # True print(isinstance(my_list, Iterator)) # False # 迭代 for i in my_list: print(i) my_iterator = iter(my_list) # 得到一个迭代器 print(isinstance(my_iterator, Iterable)) # True print(isinstance(my_iterator, Iterator)) # True # 迭代 print(next(my_iterator)) print(next(my_iterator)) print(next(my_iterator)) print(next(my_iterator)) print(next(my_iterator))
输出
01234TrueFalseTrueTrue01234
如果上面的代码太多，也可以看这边，你更能理解。
from collections.abc import IteratoraStr = 'abcd' # 创建字符串，它是可迭代对象aIterator = iter(aStr) # 通过iter()，将可迭代对象转换为一个迭代器print(isinstance(aIterator, Iterator)) # Truenext(aIterator) # anext(aIterator) # bnext(aIterator) # cnext(aIterator) # d
补充说明:
- 迭代器，是其内部实现了，
__next__
- 可以通过，
dir()
__next__
接下来，是我们的重点，
生成器
。
生成器的概念在 Python 2.2 中首次出现，之所以引入生成器，是为了实现一个在计算下一个值时不需要浪费空间的结构。
前面我们说，迭代器，是在可迭代的基础上，加了一个next()方法。而生成器，则是在迭代器的基础上(
可以用for循环，可以使用next()
)，再实现了
yield
。
yield
是什么东西呢，它相当于我们函数里的return。在每次next()，或者for遍历的时候，都会yield这里将新的值返回回去，并在这里阻塞，等待下一次的调用。正是由于这个机制，才使用生成器在Python编程中大放异彩。实现节省内存，实现异步编程。
如何创建一个生成器，主要有如下两种方法
- 使用列表生成式
# 使用列表生成式，注意不是[]，而是()L = (x * x for x in range(10))print(isinstance(L, Generator)) # True
- 实现yield的函数
# 实现了yield的函数def mygen(n): now = 0 while now < n: yield now now += 1if __name__ == '__main__': gen = mygen(10) print(isinstance(gen, Generator)) # True
可迭代对象和迭代器，是将所有的值都生成存放在内存中，而
生成器
则是需要元素才临时生成，节省时间，节省空间。
2. 如何运行/激活生成器
由于生成器并不是一次生成所有元素，而是一次一次的执行返回，那么如何刺激生成器执行(或者说激活)呢？
激活主要有两个方法
- 使用
next()
- 使用
generator.send(None)
分别看下例子，你就知道了。
def mygen(n): now = 0 while now < n: yield now now += 1if __name__ == '__main__': gen = mygen(4) # 通过交替执行，来说明这两种方法是等价的。 print(gen.send(None)) print(next(gen)) print(gen.send(None)) print(next(gen))
输出
0123
3. 生成器的执行状态
生成器在其生命周期中，会有如下四个状态
# 等待开始执行GEN_CREATED
# 解释器正在执行(只有在多线程应用中才能看到这个状态)GEN_RUNNING
# 在yield表达式处暂停GEN_SUSPENDED
# 执行结束GEN_CLOSED
通过代码来感受一下，为了不增加代码理解难度，
GEN_RUNNING
这个状态，我就不举例了。有兴趣的同学，可以去尝试一下多线程。若有疑问，可在后台回复我。
from inspect import getgeneratorstatedef mygen(n): now = 0 while now < n: yield now now += 1if __name__ == '__main__': gen = mygen(2) print(getgeneratorstate(gen)) print(next(gen)) print(getgeneratorstate(gen)) print(next(gen)) gen.close() # 手动关闭/结束生成器 print(getgeneratorstate(gen))
输出
GEN_CREATED0GEN_SUSPENDED1GEN_CLOSED
4. 生成器的异常处理
在生成器工作过程中，若生成器不满足生成元素的条件，就
会
/
应该
抛出异常(
StopIteration
)。
通过列表生成式构建的生成器，其内部已经自动帮我们实现了抛出异常这一步。不信我们来看一下。
所以我们在自己定义一个生成器的时候，我们也应该在不满足生成元素条件的时候，抛出异常。拿上面的代码来修改一下。
def mygen(n): now = 0 while now < n: yield now now += 1 raise StopIterationif __name__ == '__main__': gen = mygen(2) next(gen) next(gen) next(gen)
5. 从生成器过渡到协程：yield
通过上面的介绍，我们知道生成器为我们引入了暂停函数执行(
yield
)的功能。当有了暂停的功能之后，人们就想能不能在生成器暂停的时候向其发送一点东西(其实上面也有提及：
send(None)
)。这种向暂停的生成器发送信息的功能通过
PEP 342
进入
Python 2.5
中，并催生了
Python
中
协程
的诞生。根据
wikipedia
中的定义
协程是为非抢占式多任务产生子程序的计算机程序组件，协程允许不同入口点在不同位置暂停或开始执行程序。
注意从本质上而言，协程并不属于语言中的概念，而是编程模型上的概念。
协程和线程，有
相似点
，多个协程之间和线程一样，只会交叉串行执行；也有
不同点
，线程之间要频繁进行切换，加锁，解锁，从复杂度和效率来看，和协程相比，这确是一个痛点。协程通过使用
yield
暂停生成器，可以将程序的执行流程交给其他的子程序，从而实现不同子程序的之间的交替执行。
下面通过一个简明的演示来看看，如何向生成器中发送消息。
def jumping_range(N): index = 0 while index < N: # 通过send()发送的信息将赋值给jump jump = yield index if jump is None: jump = 1 index += jumpif __name__ == '__main__': itr = jumping_range(5) print(next(itr)) print(itr.send(2)) print(next(itr)) print(itr.send(-1))
输出。
0232
这里解释下为什么这么输出。重点是
jump = yield index
这个语句。
分成两部分：
-
yield index
return
-
jump = yield
jump
以上这些，都是讲协程并发的基础必备知识，请一定要亲自去实践并理解它，不然后面的内容，将会变得枯燥无味，晦涩难懂。
文末福利
本人原创的 《PyCharm 中文指南》一书前段时间一经发布，就火爆了整个 Python 圈，发布仅一天的时间，下载量就突破了 1000 ，并且在当天就在 Github 上就收获了数百的 star，截至目前，下载量已经破万。
这本书一共将近 200 页，内含大量的图解，制作之精良，值得每个 Python 工程师 人手一份。
为方便你下载，我将这本书上传到 百度网盘上了，点赞 + 转发 本篇文章后可自行获取。
链接：https://pan.baidu.com/s/1-NzATHFtaTV1MQzek70iUQ密码：mft3