Python迭代器是访问集合元素的一种方式，其核心在于实现`__iter__()`和`__next__()`方法，遵循迭代器协议[ref_1][ref_4]。它提供了一种惰性计算机制，按需生成数据，特别适合处理大型或无限序列，能有效节省内存[ref_1][ref_2]。 ### 一、核心概念：可迭代对象 vs 迭代器 首先需要区分两个易混淆的概念，如下表所示： | 特性 | 可迭代对象 | 迭代器 | | :--- | :--- | :--- | | **定义** | 实现了`__iter__()`方法的对象。 | 实现了`__iter__()`和`__next__()`方法的对象。 | | **功能** | 可以被迭代，`__iter__()`返回一个迭代器对象。 | 负责具体的迭代过程，`__next__()`返回下一个元素。 | | **关系** | 迭代器的“工厂”或“数据源”。 | 从可迭代对象中产生。 | | **示例** | 列表(`list`)、元组(`tuple`)、字典(`dict`)、字符串(`str`)。 | 文件对象、`enumerate`对象、自定义迭代器实例。 | 简单来说，**可迭代对象**是数据的容器，而**迭代器**是访问这个容器的工具。所有迭代器都是可迭代的（因为迭代器本身也有`__iter__()`方法，通常返回`self`），但并非所有可迭代对象都是迭代器[ref_4]。 ### 二、迭代器的工作原理与手动使用 Python的`for`循环内部机制就是基于迭代器。下面通过手动调用`iter()`和`next()`函数来揭示其工作原理[ref_3][ref_5]： ```python # 1. 从可迭代对象（如列表）获取迭代器 my_list = [1, 2, 3] my_iterator = iter(my_list) # 等价于调用 my_list.__iter__() print(type(my_iterator)) # <class 'list_iterator'> # 2. 使用 next() 逐个获取元素 print(next(my_iterator)) # 输出: 1， 等价于 my_iterator.__next__() print(next(my_iterator)) # 输出: 2 print(next(my_iterator)) # 输出: 3 # 3. 当没有更多元素时，抛出 StopIteration 异常 try: print(next(my_iterator)) except StopIteration: print("迭代已结束，没有更多元素。") ``` `for`循环的本质就是自动完成了上述步骤：先调用`iter()`获取迭代器，然后在循环中不断调用`next()`，并捕获`StopIteration`异常来结束循环[ref_4]。 ### 三、创建自定义迭代器 要创建自定义迭代器，需要定义一个类，并实现`__iter__()`和`__next__()`方法[ref_5][ref_6]。 #### 示例1：有限迭代器 - 生成指定范围内的数字平方 ```python class SquareIterator: """一个生成从start到end（不含）数字平方的迭代器""" def __init__(self, start, end): self.current = start self.end = end def __iter__(self): # 返回迭代器对象本身，这是迭代器协议的要求 return self def __next__(self): if self.current >= self.end: # 触发StopIteration异常，告知迭代结束 raise StopIteration value = self.current ** 2 self.current += 1 return value # 使用自定义迭代器 squares = SquareIterator(1, 5) # 创建迭代器对象 for num in squares: # for循环会自动处理迭代 print(num) # 输出: 1, 4, 9, 16 ``` #### 示例2：无限迭代器 - 生成斐波那契数列 无限迭代器展示了迭代器“按需生成”的优势，无需预先生成整个无限序列[ref_2][ref_5]。 ```python class FibonacciIterator: """生成斐波那契数列的无限迭代器""" def __init__(self): self.a, self.b = 0, 1 # 初始化前两个数 def __iter__(self): return self def __next__(self): current = self.a self.a, self.b = self.b, self.a + self.b # 更新为下一对数字 return current # 使用无限迭代器，必须设置终止条件，否则会无限循环 fib = FibonacciIterator() for i, num in enumerate(fib): if i >= 10: # 只取前10个数 break print(num, end=' ') # 输出: 0 1 1 2 3 5 8 13 21 34 ``` ### 四、迭代器的优势与应用场景 迭代器的主要优势在于其**惰性求值**和**内存高效**的特性[ref_2][ref_4]。 | 优势 | 说明 | 应用场景举例 | | :--- | :--- | :--- | | **节省内存** | 一次只处理一个数据，不一次性加载全部数据到内存。 | 读取大文件、处理海量日志、遍历数据库查询结果。 | | **表示无限流** | 可以表示理论上无限长的数据序列。 | 生成斐波那契数列、质数序列、实时数据流（如传感器数据）。 | | **通用接口** | 为不同的数据结构（列表、文件、网络流）提供了统一的遍历接口。 | 在`for`循环、`list()`、`sum()`等函数中无缝使用。 | 一个典型应用是**逐帧读取视频文件**。视频文件可能包含成千上万帧，若一次性读入内存将消耗巨大资源。使用迭代器（如OpenCV的`VideoCapture`对象），可以每次只读取和处理一帧[ref_1]： ```python import cv2 # 模拟使用迭代器读取视频帧 cap = cv2.VideoCapture('video.mp4') # cap对象本身是可迭代的，每次next()返回下一帧 while True: ret, frame = cap.read() # 类似 next() 操作 if not ret: break # 类似捕获到 StopIteration # 处理当前帧 process_frame(frame) cap.release() ``` ### 五、迭代器与生成器的关系 生成器（`generator`）是创建迭代器的更简洁、优雅的工具。任何使用`yield`关键字的函数都是一个生成器函数，调用它会返回一个生成器对象，该对象自动实现了迭代器协议[ref_5]。 使用生成器重写上面的`SquareIterator`： ```python def square_generator(start, end): current = start while current < end: yield current ** 2 # yield 暂停函数并返回一个值 current += 1 # 使用方式与迭代器完全相同 for num in square_generator(1, 5): print(num) # 输出: 1, 4, 9, 16 ``` 生成器语法更简洁，无需定义类和方法，是实践中创建迭代器的首选方式。