您可能聽說過，帶有 yield 的函數在 Python 中被稱為 generator（生成器），何謂 generator ？
我們先拋開 generator，以一個常見的程式設計題目來展示 yield 的概念。
如何產生斐波那契數列
斐波那契（Fibonacci）數列是一個非常簡單的遞歸數列，除第一個和第二個數外，任一個數都可由前兩個數相加得到。用電腦程式輸出斐波那契數列的前N 個數是一個非常簡單的問題，許多初學者都可以輕易寫出如下函數：
清單1. 簡單輸出斐波那契數列前N 個數
deffab(max):
n, a, b =0, 0, 1
whilen < max:
printb
a, b =b, a +b
n =n +1執行fab(5)，我們可以得到以下輸出：
>>> fab(5)
結果沒有問題，但有經驗的開發者會指出，直接在fab 函數中用print 列印數字會導致該函數可重複使用性較差，因為fab 函數傳回None，其他函數無法取得該函數產生的數列。
要提高 fab 函數的可重複使用性，最好不要直接列印出數列，而是傳回一個 List。以下是fab 函數改寫後的第二個版本：
清單2. 輸出斐波那契數列前N 個數第二版
deffab(max):
n, a, b =0, 0, 1
L =[]
whilen < max:
L.append(b)
a, b =b, a +b
n =n +1
returnL可以使用以下方式列印出fab 函數傳回的List：
>> forn infab(5):
... printn
...
改寫後的fab 函數透過返回List 能滿足復用性的要求，但是更有經驗的開發者會指出，該函數在運行中佔用的記憶體會隨著參數max 的增加而增加，如果要控制記憶體佔用，最好不要用List
來保存中間結果，而是透過iterable 物件來迭代。例如，在Python2.x 中，程式碼：
清單3. 透過iterable 物件來迭代
fori inrange(1000): pass
會導致產生一個1000 個元素的List，而程式碼：
會導致產生一個1000 個元素的List，而程式碼：): pass
則不會產生一個1000 個元素的List，而是在每次迭代中傳回下一個數值，記憶體空間佔用量很小。因為 xrange 不回傳 List，而是回傳一個 iterable 物件。
利用iterable 我們可以把fab 函數改寫為一個支援iterable 的class，以下是第三個版本的Fab：
清單4. 第三個版本
classFab(object):
def__init__(self, max):
self.max=max
self.n, self.a, self.b =0, 0, 1
def__iter__(self):
returnself
defnext(self):
ifself.n < self.max:
r =self.b
self.a, self.b =self.b, self.a +self.b
self.n =self.n +1
returnr
raiseStopIteration()deffab(max):
n, a, b =0, 0, 1
whilen < max:
yieldb
# print b
a, b =b, a +b
n =n +1清單4. 第三個版本
defread_file(fpath):
BLOCK_SIZE =1024
with open(fpath, 'rb') as f:
whileTrue:
block =f.read(BLOCK_SIZE)
ifblock:
yieldblock
else:
return Fab 類通過下一個列數數，記憶體佔用總是常數：
>>> forn inFab(5):
... printn
...
然而，使用class 改寫的這個版本，程式碼遠沒有第一版的程式碼遠函數來得簡潔。如果我們想要保持第一版fab 函數的簡潔性，同時又要獲得iterable 的效果，yield 就派上用場了：
清單5. 使用yield 的第四版
rrreee清單5. 使用yield 的第四版
rrreee第四個版本的fab 和第四個版本的fab 和第四個版本第一版相比，光是把print b 改為了yield b，就在保持簡潔性的同時獲得了iterable 的效果。
調用第四版的fab 和第二版的fab 完全一致：
>>> forn infab(5):
... printn
一個函數變成一個generator，帶有yield 的函數不再是一個普通函數，Python 解釋器會將其視為一個generator，呼叫fab(5) 不會執行fab 函數，而是傳回一個iterable 物件！當for 迴圈執行時，每次迴圈都會執行fab 函數內部的程式碼，執行到yield b 時，fab 函數會傳回一個迭代值，下次迭代時，程式碼從yield b 的下一語句繼續執行，而函數的本地變數看起來和上次中斷執行前是完全一樣的，所以函數繼續執行，直到再次遇到yield。
也可以手動呼叫fab(5) 的next() 方法（因為fab(5) 是一個generator 對象，該對象具有next() 方法），這樣我們就可以更清楚地看到fab 的執行流程：
清單6. 執行流程
>>> f =fab(5)
>>> f.next()
>>> f.next()
>>> f.n
>>> f.next()>>> f.next()> >> f.next()>>> f.next()>>> f.next()Traceback (most recent call last):File"", line 1, in StopStopIteration當函數執行結束時，generator 會自動拋出StopIteration 異常，表示迭代完成。在 for 迴圈裡，無需處理 StopIteration 異常，迴圈會正常結束。 🎜🎜 我們可以得出以下結論：🎜🎜 一個帶有yield 的函數就是一個generator，它和普通函數不同，產生一個generator 看起來像函數調用，但不會執行任何函數代碼，直到對其調用next( )（在for 迴圈中會自動呼叫next()）才開始執行。雖然執行流程仍按函數的流程執行，但每執行到一個 yield 語句就會中斷，並傳回一個迭代值，下次執行時從 yield 的下一個語句繼續執行。看起來好像一個函數在正常執行的過程中被 yield 中斷了數次，每次中斷都會透過 yield 傳回目前的迭代值。 🎜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
>>> frominspect importisgeneratorfunction
>>> isgeneratorfunction(fab)
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
>>> importtypes
>>> isinstance(fab, types.GeneratorType)
False
>>> isinstance(fab(5), types.GeneratorType)
True
fab 是无法迭代的，而 fab(5) 是可迭代的：
>>> fromcollections importIterable
>>> isinstance(fab, Iterable)
False
>>> isinstance(fab(5), Iterable)
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，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取：
清单 9. 另一个 yield 的例子
defread_file(fpath):
BLOCK_SIZE =1024
with open(fpath, 'rb') as f:
whileTrue:
block =f.read(BLOCK_SIZE)
ifblock:
yieldblock
else:
return以上仅仅简单介绍了 yield 的基本概念和用法，yield 在 Python 3 中还有更强大的用法，我们会在后续文章中讨论。
注：本文的代码均在 Python 2.7 中调试通过
