
今天我们来学习和探讨 Python 里一个很基础但又容易被忽略的话题——迭代器和可迭代对象。
在日常的编程中,for循环是最常见的一种循环。但你有没有想过,for item in data: Python到底在背后做了什么?为什么列表、元组、字典、文件甚至自定义对象都能被for循环遍历?这背后其实有一套完整的机制在支撑。
最熟悉的for循环
假设我们有一个列表:
fruits = ["apple", "banana", "cherry"]
for fruit in fruits:
print(fruit)
这段代码太简单了,简单到我们几乎不会去思考它是怎么工作的。但如果尝试用while循环来手动实现同样的功能,就会发现事情没那么简单:
fruits = ["apple", "banana", "cherry"]
index = 0
while index < len(fruits):
print(fruits[index])
index += 1
用 while 循环需要维护一个索引变量,还要判断边界条件。而for循环一行就搞定了。那for循环是怎么知道什么时候该停的?它是怎么一个一个取出元素的?
可迭代对象(Iterable)
在Python中,可迭代对象是指那些可以被for循环遍历的对象。常见的可迭代对象包括:
列表(list)
元组(tuple)
字典(dict)
集合(set)
字符串(str)
文件对象
以及任何实现了__iter__方法的对象
怎么判断一个对象是不是可迭代对象?可以用collections.abc模块里的Iterable来判断:
from collections.abc import Iterable
print(isinstance([1, 2, 3], Iterable)) # True
print(isinstance("hello", Iterable)) # True
print(isinstance(123, Iterable)) # False
那一个对象要成为可迭代对象,需要满足什么条件呢?答案是:它必须实现__iter__方法,这个方法返回一个迭代器对象。
迭代器(Iterator)
迭代器是真正负责"逐个取出元素"的那个对象。迭代器需要满足两个条件:
实现__iter__方法,返回自身
实现__next__方法,返回下一个元素,如果没有更多元素了就抛出StopIteration异常
我们来手动实现一个简单的迭代器,感受一下这个过程:
class MyIterator:
def __init__(self, items):
self.items = items
self.index = 0
def __iter__(self):
return self
def __next__(self):
if self.index >= len(self.items):
raise StopIteration
item = self.items[self.index]
self.index += 1
return item
# 使用
items = ["red", "green", "blue"]
iterator = MyIterator(items)
print(next(iterator)) # red
print(next(iterator)) # green
print(next(iterator)) # blue
print(next(iterator)) # 抛出 StopIteration 异常
每次调用next(),迭代器就返回下一个元素,直到没有元素可返回时抛出StopIteration。
for循环到底做了什么?
现在可以揭开for循环的面纱了。
for item in items:
print(item)
Python实际上在背后做了这些事:
# 1. 调用 iter() 获取迭代器
iterator = iter(items) # 等价于 fruits.__iter__()
while True:
try:
# 2. 不断调用 next() 获取下一个元素
item = next(iterator) # 等价于 iterator.__next__()
print(item)
except StopIteration:
# 3. 捕获异常,结束循环
break
所以for循环的本质就是:
先调用对象的__iter__方法获取一个迭代器
然后不断调用迭代器的__next__方法获取元素
直到抛出StopIteration异常,循环结束
实际应用场景
理解了迭代器和可迭代对象之后,我们来看看在实际开发中有什么用。
场景一:处理大文件
假设你要处理一个几个G的日志文件,如果一次性读入内存,可能会把内存撑爆。这时候可以用迭代器的方式逐行读取:
def read_large_file(file_path):
"""生成器函数,逐行读取大文件"""
with open(file_path, 'r', encoding='utf-8') as f:
for line in f:
yield line.strip()
# 使用
for line in read_large_file("huge_log.txt"):
if "ERROR" in line:
print(line)
这里用了yield关键字,它会自动把函数变成一个生成器,而生成器本身就是一种迭代器。这样无论文件多大,内存中始终只保存一行数据。
场景二:自定义范围生成器
Python内置的range()就是一个迭代器,我们也可以自己实现一个:
class MyRange:
def __init__(self, start, end):
self.current = start
self.end = end
def __iter__(self):
return self
def __next__(self):
if self.current >= self.end:
raise StopIteration
value = self.current
self.current += 1
return value
# 使用
for num in MyRange(0, 5):
print(num) # 0, 1, 2, 3, 4
场景三:链式数据处理
迭代器可以链式组合,形成数据处理管道:
def filter_even(numbers):
"""只保留偶数"""
for num in numbers:
if num % 2 == 0:
yield num
def square(numbers):
"""计算平方"""
for num in numbers:
yield num ** 2
# 链式调用
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
result = square(filter_even(data))
for value in result:
print(value) # 4, 16, 36, 64, 100
这种写法的好处是惰性求值——只有在你真正需要数据的时候才会计算,不会提前生成中间结果,节省内存。
生成器:更简洁的迭代器
前面我们手动实现迭代器需要写__iter__和__next__两个方法,其实挺麻烦的。Python提供了生成器这种更简洁的方式来创建迭代器。 生成器有两种写法:
生成器函数:使用yield关键字
def countdown(n):
while n > 0:
yield n
n -= 1
for i in countdown(5):
print(i) # 5, 4, 3, 2, 1
生成器表达式:类似列表推导式,但用圆括号
squares = (x ** 2 for x in range(10))
for s in squares:
print(s)
生成器表达式的内存占用远小于列表推导式,因为它不会一次性生成所有元素:
import sys
# 列表推导式:一次性生成所有元素
list_comp = [x ** 2 for x in range(10000)]
print(sys.getsizeof(list_comp)) # 大约 87616 字节
# 生成器表达式:惰性生成
gen_exp = (x ** 2 for x in range(10000))
print(sys.getsizeof(gen_exp)) # 大约 200 字节
总结
可迭代对象:实现了__iter__方法,可以被for循环遍历
迭代器:实现了__iter__和__next__方法,负责逐个返回元素
for循环:先调用iter()获取迭代器,再不断调用next()直到StopIteration
生成器:用yield或生成器表达式创建迭代器的简便方式
惰性求值:迭代器不会提前生成所有数据,适合处理大数据或无限序列
理解了这些,你就明白了for循环背后的魔法。下次写代码的时候,不妨想想能不能用迭代器或生成器来优化内存使用,让代码更优雅、更高效。
以上就是“python-迭代器和可迭代对象: for 循环到底做了什么!”的详细内容,想要了解更多Python教程欢迎持续关注编程学习网。
扫码二维码 获取免费视频学习资料

- 本文固定链接: http://www.phpxs.com/post/14710/
- 转载请注明:转载必须在正文中标注并保留原文链接
- 扫码: 扫上方二维码获取免费视频资料