在 Python 开发中，yield 关键字的使用其实较为频繁，例如大集合的生成，简化代码结构、协程与并发都会用到它。
但是，你是否真正了解 yield 的运行过程呢？
这篇文章，我们就来看一下 yield 的运行流程，以及在开发中哪些场景适合使用 yield。
生成器
如果在一个方法内，包含了 yield 关键字，那么这个函数就是一个「生成器」。
生成器其实就是一个特殊的迭代器，它可以像迭代器那样，迭代输出方法内的每个元素。
如果你还不清楚「迭代器」是什么，可以参考我写的这篇文章：Python进阶——迭代器和可迭代对象有什么区别？
我们来看一个包含 yield 关键字的方法：
# coding: utf8
# 生成器
def gen(n):
for i in range(n):
yield i
g = gen(5) # 创建一个生成器
print(g) #
print(type(g)) #
# 迭代生成器中的数据
for i in g:
print(i)
# Output:
# 0 1 2 3 4
注意，在这个例子中，当我们执行 g = gen(5) 时，gen 中的代码其实并没有执行，此时我们只是创建了一个「生成器对象」，它的类型是 generator。
然后，当我们执行 for i in g，每执行一次循环，就会执行到 yield 处，返回一次 yield 后面的值。
这个迭代过程是和迭代器最大的区别。
换句话说，如果我们想输出 5 个元素，在创建生成器时，这个 5 个元素其实还并没有产生，什么时候产生呢？只有在执行 for 循环遇到 yield 时，才会依次生成每个元素。
此外，生成器除了和迭代器一样实现迭代数据之外，还包含了其他方法：
-
generator.__next__()：执行 for 时调用此方法，每次执行到 yield 就会停止，然后返回 yield 后面的值，如果没有数据可迭代，抛出 StopIterator 异常，for 循环结束 generator.send(value)：外部传入一个值到生成器内部，改变 yield 前面的值generator.throw(type[, value[, traceback]])：外部向生成器抛出一个异常
通过使用生成器的这些方法，我们可以完成很多有意思的功能。
__next__
先来看生成器的 __next__ 方法，我们看下面这个例子。
# coding: utf8
def gen(n):
for i in range(n):
print('yield before')
yield i
print('yield after')
g = gen(3) # 创建一个生成器
print(g.__next__()) # 0
print('----')
print(g.__next__()) # 1
print('----')
print(g.__next__()) # 2
print('----')
print(g.__next__()) # StopIteration
# Output:
# yield before
# 0
# ----
# yield after
# yield before
# 1
# ----
# yield after
# yield before
# 2
# ----
# yield after
# Traceback (most recent call last):
# File "gen.py", line 16, in
# print(g.__next__()) # StopIteration
# StopIteration
在这个例子中，我们定义了 gen 方法，这个方法包含了 yield 关键字。然后我们执行 g = gen(3) 创建一个生成器，但是这次没有执行 for 去迭代它，而是多次调用 g.__next__() 去输出生成器中的元素。
我们看到，当执行 g.__next__()时，代码就会执行到 yield 处，然后返回 yield 后面的值，如果继续调用 g.__next__()，注意，你会发现，这次执行的开始位置，是上次 yield 结束的地方，并且它还保留了上一次执行的上下文，继续向后迭代。
这就是使用 yield 的作用，在迭代生成器时，每一次执行都可以保留上一次的状态，而不是像普通方法那样，遇到 return 就返回结果，下一次执行只能再次重复上一次的流程。
生成器除了能保存状态之外，我们还可以通过其他方式，改变其内部的状态，这就是下面要讲的 send 和 throw 方法。
send
上面的例子中，我们只展示了在 yield 后有值的情况，其实还可以使用 j = yield i 这种语法，我们看下面的代码：
# coding: utf8
def gen():
i = 1
while True:
j = yield i
i *= 2
if j == -1:
break
此时如果我们执行下面的代码：
for i in gen():
print(i)
time.sleep(1)
输出结果会是 1 2 4 8 16 32 64 ... 一直循环下去， 直到我们杀死这个进程才能停止。
这段代码一直循环的原因在于，它无法执行到 j == -1 这个分支里 break 出来，如果我们想让代码执行到这个地方，如何做呢？
这里就要用到生成器的 send 方法了，send 方法可以把外部的值传入生成器内部，从而改变生成器的状态。
代码可以像下面这样写：
g = gen() # 创建一个生成器
print(g.__next__()) # 1
print(g.__next__()) # 2
print(g.__next__()) # 4
# send 把 -1 传入生成器内部 走到了 j = -1 这个分支
print(g.send(-1)) # StopIteration 迭代停止
当我们执行 g.send(-1) 时，相当于把 -1 传入到了生成器内部，然后赋值给了 yield 前面的 j，此时 j = -1，然后这个方法就会 break 出来，不会继续迭代下去。
throw
外部除了可以向生成器内部传入一个值外，还可以传入一个异常，也就是调用 throw 方法：
# coding: utf8
def gen():
try:
yield 1
except ValueError:
yield 'ValueError'
finally:
print('finally')
g = gen() # 创建一个生成器
print(g.__next__()) # 1
# 向生成器内部传入异常 返回ValueError
print(g.throw(ValueError))
# Output：
# 1
# ValueError
# finally
这个例子创建好生成器后，使用 g.throw(ValueError) 的方式，向生成器内部传入了一个异常，走到了生成器异常处理的分支逻辑。
close
生成器的 close 方法也比较简单，就是手动关闭这个生成器，关闭后的生成器无法再进行操作。
>>> g = gen()
>>> g.close() # 关闭生成器
>>> g.__next__() # 无法迭代数据
Traceback (most recent call last):
File "", line 1, in
StopIteration
close 方法我们在开发中使用得比较少，了解一下就好。
使用场景
了解了 yield 和生成器的使用方式，那么 yield 和生成器一般用在哪些业务场景中呢？
下面我介绍几个例子，分别是大集合的生成、简化代码结构、协程与并发，你可以参考这些使用场景来使用 yield。
大集合的生成
如果你想生成一个非常大的集合，如果使用 list 创建一个集合，这会导致在内存中申请一个很大的存储空间，例如想下面这样：
# coding: utf8
def big_list():
result = []
for i in range(10000000000):
result.append(i)
return result
# 一次性在内存中生成大集合 内存占用非常大
for i in big_list():
print(i)
这种场景，我们使用生成器就能很好地解决这个问题。
因为生成器只有在执行到 yield 时才会迭代数据，这时只会申请需要返回元素的内存空间，代码可以这样写：
# coding: utf8
def big_list():
for i in range(10000000000):
yield i
# 只有在迭代时 才依次生成元素 减少内存占用
for i in big_list():
print(i)
简化代码结构
我们在开发时还经常遇到这样一种场景，如果一个方法要返回一个 list，但这个 list 是多个逻辑块组合后才能产生的，这就会导致我们的代码结构变得很复杂：
# coding: utf8
def gen_list():
# 多个逻辑块 组成生成一个列表
result = []
for i in range(10):
result.append(i)
for j in range(5):
result.append(j * j)
for k in [100, 200, 300]:
result.append(k)
return result
for item in gen_list():
print(item)
这种情况下，我们只能在每个逻辑块内使用 append 向 list 中追加元素，代码写起来比较啰嗦。
此时如果使用 yield 来生成这个 list，代码就简洁很多：
# coding: utf8
def gen_list():
# 多个逻辑块 使用yield 生成一个列表
for i in range(10):
yield i
for j in range(5):
yield j * j
for k in [100, 200, 300]:
yield k
for item in gen_list():
print(i)
使用 yield 后，就不再需要定义 list 类型的变量，只需在每个逻辑块直接 yield 返回元素即可，可以达到和前面例子一样的功能。
我们看到，使用 yield 的代码更加简洁，结构也更清晰，另外的好处是只有在迭代元素时才申请内存空间，降低了内存资源的消耗。
协程与并发
还有一种场景是 yield 使用非常多的，那就是「协程与并发」。
如果我们想提高程序的执行效率，通常会使用多进程、多线程的方式编写程序代码，最常用的编程模型就是「生产者-消费者」模型，即一个进程 / 线程生产数据，其他进程 / 线程消费数据。
在开发多进程、多线程程序时，为了防止共享资源被篡改，我们通常还需要加锁进行保护，这样就增加了编程的复杂度。
在 Python 中，除了使用进程和线程之外，我们还可以使用「协程」来提高代码的运行效率。
什么是协程？
简单来说，由多个程序块组合协作执行的程序，称之为「协程」。
而在 Python 中使用「协程」，就需要用到 yield 关键字来配合。
可能这么说还是太好理解，我们用 yield 实现一个协程生产者、消费者的例子：
# coding: utf8
def consumer():
i = None
while True:
# 拿到 producer 发来的数据
j = yield i
print('consume %s' % j)
def producer(c):
c.__next__()
for i in range(5):
print('produce %s' % i)
# 发数据给 consumer
c.send(i)
c.close()
c = consumer()
producer(c)
# Output:
# produce 0
# consume 0
# produce 1
# consume 1
# produce 2
# consume 2
# produce 3
# consume 3
...
这个程序的执行流程如下：
producer(c) 开始执行，c.__next()__ 会启动生成器 consumer 直到代码运行到
j = yield i 处，此时 consumer 第一次执行完毕，返回producer 函数继续向下执行，直到 c.send(i) 处，这里利用生成器的 send 方法，向 consumer 发送数据consumer 函数被唤醒，从 j = yield i 处继续开始执行，并且接收到 producer 传来的数据赋值给 j，然后打印输出，直到再次执行到 yield 处，返回producer 继续循环执行上面的过程，依次发送数据给 cosnumer，直到循环结束- 最终
c.close() 关闭 consumer 生成器，程序退出
在这个例子中我们发现，程序在 producer 和 consumer 这 2 个函数之间来回切换执行，相互协作，完成了生产任务、消费任务的业务场景，最重要的是，整个程序是在单进程单线程下完成的。
这个例子用到了上面讲到的 yield、生成器的 __next__、send、close 方法。如果不好理解，你可以多看几遍这个例子，最好自己测试一下。
我们使用协程编写生产者、消费者的程序时，它的好处是：
- 整个程序运行过程中无锁，不用考虑共享变量的保护问题，降低了编程复杂度
- 程序在函数之间来回切换，这个过程是用户态下进行的，不像进程 / 线程那样，会陷入到内核态，这就减少了内核态上下文切换的消耗，执行效率更高
所以，Python 的 yield 和生成器实现了协程的编程方式，为程序的并发执行提供了编程基础。
Python 中的很多第三方库，都是基于这一特性进行封装的，例如 gevent、tornado，它们都大大提高了程序的运行效率。
总结
总结一下，这篇文章我们主要讲了 yield 的使用方式，以及生成器的各种特性。
生成器是一种特殊的迭代器，它除了可以迭代数据之外，在执行时还可以保存方法中的状态，除此之外，它还提供了外部改变内部状态的方式，把外部的值传入到生成器内部。
利用 yield 和生成器的特性，我们在开发中可以用在大集成的生成、简化代码结构、协程与并发的业务场景中。
Python 的 yield 也是实现协程和并发的基础，它提供了协程这种用户态的编程模式，提高了程序运行的效率。
点击下方阅读原文加入社区会员
