编程语言中的——迭代
- 迭代的概念：
- 是一种数据的访问方式，例如当用for循环访问数据时，我们会从中依次拿到其中的数据
- 迭代会记住你当前访问的位置
- 在下一次访问的时候能够基于当前的位置继续进行
- 在python中迭代只能从前往后
- 直到访问结束
- 常见的可迭代类型
- list、tuple、dict、set、str、等容器类型都是可迭代类型实例
- 可迭代对象与迭代器
- 可迭代对象
- 可迭代对象概念
- 实现了__iter__方法的对象就是符合了可迭代对象的表象特征，此时可用isinstance判断类型是可迭代类型
- 可迭代对象实质需要通过调用__iter__方法返回了一个迭代器对象，这才完成了可迭代对象的本质；实际上是通过迭代器对象来完成迭代
- 综合来说
- 可迭代对象就是实现了__iter__方法，并且返回了一个迭代器的实例的实例对象
- 迭代器
- 迭代器概念
- 实现了__next__方法，在__next__方法中，提供迭代数据并记录位置信息的对象称为迭代器
- __next__方法每次返回一个元素，并且会自动指向下一个元素，当元素都已经取完的时候会抛出Stoplteration异常，底层会根据异常来结束for循环的遍历
- 另外在python中一般要求迭代器也要同时是可迭代对象，所以一个迭代器也会有__iter__方法，并且会返回自己的实例
- 综合来说
- 一个迭代器就是实现了：
- 1.__next__方法用来提供数据和记录数据位置，当数据取完的时候抛出Stoplteration异常；
- 2.迭代器也有__iter__方法，返回时实例是自己本身； 所以迭代器本身即是迭代器也是可迭代对象
- 迭代器的两种使用场景
- 迭代访问已经存在的数据<容器>
- 延迟计算还未存在的数据在迭代访问的时候计算出来 例如：遍历斐波那契数列，提前定义要访问的数据数量
- 如何判断对象obj是否可迭代
- 使用方法
- isinstance(obj, classinfo) -> bool 判断obj是否是classinfo类型的实例 是则返回真 ； 否则返回假
- 判断是不是可迭代对象
- from collections import Iterable
- is_iterable = isinstance(obj, Iterable)
- 判断是不是可迭代对象如过obj实例包含__iter__ 方法，就会认为是iterable创建或者其子类创建出来的实例
- 判断对象是不是迭代器（后面有介绍迭代器）：
- from collections import Iterator
- isinstance(iter(obj), Iterator) obj为可迭代对象， 判断列表的迭代器是不是迭代器类型
- 理解 for 循环遍历的过程实质
- 1.for item in Iterable 循环的本质就是先通过iter()函数获取可迭代对象Iterable的迭代器，实际上是对迭代器的操作
- 2.然后对获取到的迭代器不断调用next()方法来获取下一个值并将其赋值给item，
- 3.当遇到StopIteration的异常后循环结束。
- 对list、set、dict、等集合的迭代的理解
- 对可迭代对象和迭代器的举例
生成器 -- 特殊的迭代器
- 概念：
- 生成器generator是一种特殊的优雅的迭代器，使用方式和迭代器一致，实现方式和迭代器不同
- 一个函数或者子程序都只能 return 一次，但是一个生成器能暂停执行并返回一个中间的结果-这就是 yield 语句的功能 : 返回一个中间值给调用者并暂停执行。使用next（）会再次激活生成器执行程序；
- 第一种生成器
- 概念：
- 使用yield关键字实现的迭代器功能 含有yield关键字的函数不再是函数，而是生成器
- 例：
- yield 语句的功能
- 返回一个中间值给调用者并暂停执行，返回yield后面的表达式，待下次激活重新活重新恢复执行状态。
- 用生成器遍历斐波那契数列
- 第二种生成器
- 格式：
- lst 也是也个生成器
- 生成器的方法
- next（生成器）/ 生成器.next（） “激活生成器”第一次激活，生成器第一次执行代码要用next（）激活，或者send(None)
- send(data)； 生成器.send(None) == next（生成器） “激活生成器并给生成器发送数据，用yield接收；
- 注意：第一次激活生成器你能使用send发送内容，因为没有在yield位置，没有接收，会报错”
- close() 关闭生成器
- 备注：
- 生成器对象 一旦调用close() 在下一次恢复调用的时候将raise StopIteration
- 生成器的任务执行完后，底层会自动raise一个StopIteration
- return可以终止生成器，Python3中的生成器可以使用return返回最终运行的返回值，返回值是依靠StopInteration异常来传出，可用一次拦截来获取return的内容； 而Python2中的生成器不允许使用return返回一个返回值（即可以使用return从生成器中退出，但return后不能有任何表达式）
- 案例：
多任务——携程
- 协程概念
- 协程Coroutine是一种多任务的实现方式.
- 协程在执行遇阻塞时会根据(底层实现yield或其他)挂起当前函数, 转而执行其他函数代码在合适的时候能够切换到另一个函数中执行
- 协程的多任务：进程和线程是操作系统提供的多任务方式，协程则是从用户层面解决任务的执行-恢复-执行-完成的过程从而实现多任务。
- 生成器就是一个简单的协程.
- 例：
- 携程相比线程的优点缺点
- 优点
- 在实现多任务时, 线程切换从系统层面远不止保存和恢复 CPU上下文这么简单。 操作系统为了程序运行的高效性每个线程都有自己缓存Cache等等数据，操作系统还会帮你做这些数据的恢复操作。 所以线程的切换非常耗性能。但是协程的切换只是单纯的操作CPU的上下文，所以一秒钟切换个上百万次系统都抗的住。
- 并发性高，占用资源小
- 缺点
- 由于协程是基于同一个线程，故不存在并行的情况，不能有效的利用多核
- python中协程实现-greenlet
- 实现原理
- greenlet封装yield关键字的作用
- 使用方法
- g = greenlet(func) 创建一个协程 g ； func为协程程序
- g.switch( *args, **args) 启动协程g/ 切换执行其他的协程g； args为函数接收的参数
- 特点：易用性不高，还是太底层，需要手动切换
- 例子：
- python中协程实现-gevent
- 实现原理
- gevent 底层实现封装了greenlet的代码，不需要人工切换协程；
- 其原理是当一个greenlet遇到IO(指的是input output 输入输出，比如网络、文件操作等)操作时，比如访问网络，就自动切换到其他的greenlet，等到IO操作完成，再在适当的时候切换回来继续执行。由于IO操作非常耗时，经常使程序处于等待状态，有了gevent为我们自动切换协程，就保证总有greenlet在运行，而不是等待IO
- 使用方法
- from gevent import monkey 导入 monkey模块
- monkey.patch_all(socket=True, dns=True, time=True, select=True, thread=True) 给在程序中导入的各python模块打上补丁（除input所在模块），即替换成gevent可切换的模块，默认都为True既表示可以协程化，可手动修改程False **注：这句话尽可能放到import其他模块的最前面，放到后面可能出错
- g = gevnet.spawn(fuc, *args, **args) 创建协程，func 为函数， 其他为函数需要传入的参数
- g.join() 和 gevent.joinall([g]) 阻塞等待协程结束， 一定要等待协程结束，不然线程会默认结束整个线程
- **注意：在协程中遇到阻塞等待会切换协程，排除（input（））
- 协程应用场景
- 应用:爬虫/并发服务器
- 案例：
如何选择使用什么来实现多任务
- 多进程：当逻辑功能复杂，选择多进程来独立执行
- 多线程：当有多个重复性的操作，逻辑性不复杂的较轻量级操作，选择用多线程来执行
- 协程：当涉及到网络等，这种需要高并发和有阻塞等待的场景选择协程类执行；
