Python yield使用浅析
带有yield的函数在Python中被称之为generator(生成器)
如何生成斐波那契数列
斐波那契数列是一个非常简单的递归数列，通项公式满足a<sub>n=a<sub>n-1+a<sub>n-2。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的前N个数
def fab(max):
n,a,b=0,0,1
while n<max:
print(b)
a,b = b,a+b
n += 1
fab(5)
结果没有问题,但是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 += 1
for n in fab(5):
print(n)
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，该函数在运行时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，而使用iterable对象来迭代。
清单3.通过iterable对象来迭代
for i in range(1000):pass
会导致生成一个1000个元素的List，而代码：
for i in xrange(1000):pass
则不会生成一个1000个元素的List，而是在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()
# 1
# 1
# 2
# 3
# 5
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.
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
for n in fab(5):
print(n)
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
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，每次的循环都会执行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的下一条继续执行，而函数的本地变量看起来和上次终端执行之前是完全一样的，于是函数继续执行，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。
我们可以得到以下结论：
一个带有yield的函数就是一个geneator，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。虽然执行流程扔按函数的流程执行，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，每次中断都会通过哦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
>>>import types
>>>isinstance(fab,types.GeneratorType)
False
>>>isinstance(fab(5),types.GeneratorType)
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是是无法迭代的，而fab(5)是可迭代的：
>>>import types
>>>isinstance(fab,types.GeneratorType)
False
>>>isinstance(fab(5),types.GeneratorType)
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
return 的作用
在一个generator function中，如果没有return，则默认执行至函数完毕，如果在执行过程中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，我们不在需要编写读文件的迭代类，就可以轻松实现文件读取：
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
