迭代器和生成器之间有什么区别？您将使用每个案例的一些示例会有所帮助。
答案 0 :(得分：458)
iterator是一个更通用的概念：任何类的类具有next方法（Python 3中为__next__）和__iter__方法return self的对象}。
每个生成器都是迭代器，但反之亦然。通过在Python 2.5及更早版本中调用具有一个或多个yield表达式（yield语句）的函数来构建生成器，并且该生成器是满足前一段{{1}的定义的对象}。
当您需要具有某种复杂状态维护行为的类时，或者想要公开除iterator（和next之外的其他方法时，您可能希望使用自定义迭代器而不是生成器。 __iter__）。大多数情况下，生成器（有时，对于足够简单的需求，生成器表达式）就足够了，并且编码更简单，因为状态维护（在合理的限制范围内）基本上是“由你完成的”框架被停职并恢复。
例如，生成器如：
__init__或等效的生成器表达式（genexp）
def squares(start, stop):
for i in range(start, stop):
yield i * i
generator = squares(a, b)
将需要更多代码来构建自定义迭代器：
generator = (i*i for i in range(a, b))
但是，当然，对于课程class Squares(object):
def __init__(self, start, stop):
self.start = start
self.stop = stop
def __iter__(self): return self
def next(self): # __next__ in Python 3
if self.start >= self.stop:
raise StopIteration
current = self.start * self.start
self.start += 1
return current
iterator = Squares(a, b)
，您可以轻松提供额外的方法，即
Squares如果您在应用程序中确实需要此类额外功能。
答案 1 :(得分：101)
迭代器和生成器之间有什么区别？您何时使用每个案例的一些示例会有所帮助。
总结：迭代器是具有__iter__和__next__（Python 2中的next）方法的对象。生成器提供了一种简单的内置方法来创建迭代器实例。
具有yield的函数仍然是一个函数，当被调用时，它返回一个生成器对象的实例：
def a_function():
"when called, returns generator object"
yield
生成器表达式也返回一个生成器：
a_generator = (i for i in range(0))
有关更深入的说明和示例，请继续阅读。
具体来说，generator是迭代器的子类型。
>>> import collections, types
>>> issubclass(types.GeneratorType, collections.Iterator)
True
我们可以通过多种方式创建生成器。一种非常常见且简单的方法是使用函数。
具体来说，一个带有yield的函数是一个函数，当被调用时，它返回一个生成器：
>>> def a_function():
"just a function definition with yield in it"
yield
>>> type(a_function)
<class 'function'>
>>> a_generator = a_function() # when called
>>> type(a_generator) # returns a generator
<class 'generator'>
再一次，生成器是迭代器：
>>> isinstance(a_generator, collections.Iterator)
True
Iterator是一个Iterable，
>>> issubclass(collections.Iterator, collections.Iterable)
True
需要一个返回Iterator的__iter__方法：
>>> collections.Iterable()
Traceback (most recent call last):
File "<pyshell#79>", line 1, in <module>
collections.Iterable()
TypeError: Can't instantiate abstract class Iterable with abstract methods __iter__
可迭代的一些例子是内置元组，列表，字典，集合，冻结集，字符串，字节字符串，字节数组，范围和内存视图：
>>> all(isinstance(element, collections.Iterable) for element in (
(), [], {}, set(), frozenset(), '', b'', bytearray(), range(0), memoryview(b'')))
True
next或__next__方法在Python 2中：
>>> collections.Iterator()
Traceback (most recent call last):
File "<pyshell#80>", line 1, in <module>
collections.Iterator()
TypeError: Can't instantiate abstract class Iterator with abstract methods next
在Python 3中：
>>> collections.Iterator()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Can't instantiate abstract class Iterator with abstract methods __next__
我们可以使用iter函数从内置对象（或自定义对象）中获取迭代器：
>>> all(isinstance(iter(element), collections.Iterator) for element in (
(), [], {}, set(), frozenset(), '', b'', bytearray(), range(0), memoryview(b'')))
True
当您尝试使用带有for循环的对象时，将调用__iter__方法。然后在迭代器对象上调用__next__方法，以获取循环的每个项目。迭代器在耗尽时会引发StopIteration，并且在此时无法重复使用。
来自内置类型documentation的“迭代器类型”部分的“生成器类型”部分：
Python的生成器提供了一种实现迭代器协议的便捷方式。如果容器对象的
__iter__()方法被实现为生成器，它将自动返回迭代器对象（技术上，生成器） object）在Python 3中提供__iter__()和next()[__next__()]方法。有关生成器的更多信息可以在yield表达式的文档中找到。
（强调补充。）
因此，我们从中了解到Generators是一种（方便的）Iterator类型。
您可以通过创建或扩展自己的对象来创建实现Iterator协议的对象。
class Yes(collections.Iterator):
def __init__(self, stop):
self.x = 0
self.stop = stop
def __iter__(self):
return self
def next(self):
if self.x < self.stop:
self.x += 1
return 'yes'
else:
# Iterators must raise when done, else considered broken
raise StopIteration
__next__ = next # Python 3 compatibility
但是简单地使用Generator来执行此操作更容易：
def yes(stop):
for _ in range(stop):
yield 'yes'
或者更简单，一个生成器表达式（与列表推导类似）：
yes_expr = ('yes' for _ in range(stop))
它们都可以以相同的方式使用：
>>> stop = 4
>>> for i, y1, y2, y3 in zip(range(stop), Yes(stop), yes(stop),
('yes' for _ in range(stop))):
... print('{0}: {1} == {2} == {3}'.format(i, y1, y2, y3))
...
0: yes == yes == yes
1: yes == yes == yes
2: yes == yes == yes
3: yes == yes == yes
当您需要将Python对象扩展为可以迭代的对象时，可以直接使用Iterator协议。
但是，在绝大多数情况下，您最适合使用yield来定义返回Generator Iterator或考虑Generator Expressions的函数。
最后，请注意，生成器提供了更多功能，如协同程序。 I explain Generators, along with the yield statement, in depth on my answer to "What does the “yield” keyword do?".
答案 2 :(得分：30)
迭代器：
Iterator是使用next()方法获取序列的下一个值的对象。
发生器：
生成器是使用yield方法生成或生成一系列值的函数。
生成器函数返回的每个next()方法调用生成器对象（例如，如下例中的f）（例如下面的示例中为foo()函数），生成下一个值按顺序。
当调用生成器函数时，它返回一个生成器对象，甚至没有开始执行该函数。当第一次调用next()方法时，函数开始执行，直到达到yield语句，返回产生的值。产量跟踪即记住上次执行。第二个next()调用从之前的值继续。
以下示例演示了yield和生成器对象上的next方法调用之间的相互作用。
>>> def foo():
... print "begin"
... for i in range(3):
... print "before yield", i
... yield i
... print "after yield", i
... print "end"
...
>>> f = foo()
>>> f.next()
begin
before yield 0 # Control is in for loop
0
>>> f.next()
after yield 0
before yield 1 # Continue for loop
1
>>> f.next()
after yield 1
before yield 2
2
>>> f.next()
after yield 2
end
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
>>>
答案 3 :(得分：18)
添加答案，因为现有答案都没有具体解决官方文献中的混淆问题。
生成器函数 是使用yield而不是return定义的普通函数。调用时，生成器函数返回 生成器对象 ，这是一种迭代器 - 它具有next()方法。当您调用next()时，将返回生成器函数产生的下一个值。
函数或对象可以被称为＆＃34;生成器＆＃34;取决于您阅读的Python源文档。 Python glossary表示生成器函数，而Python wiki表示生成器对象。 Python tutorial显着地设法暗示两个用法在三个句子的空间中：
生成器是一个用于创建迭代器的简单而强大的工具。它们像常规函数一样编写，但只要想要返回数据就使用yield语句。每次调用next（）时，生成器就会从它停止的地方恢复（它会记住所有数据值以及上次执行的语句）。
前两个句子用生成器函数标识生成器，而第三个句子用生成器对象标识它们。
尽管存在这种混淆，但人们可以找到Python language reference的明确和最后的词：
yield表达式仅在定义生成器函数时使用，并且只能在函数定义的主体中使用。在函数定义中使用yield表达式足以使该定义创建生成器函数而不是正常函数。
当调用生成器函数时，它返回一个称为生成器的迭代器。然后该生成器控制生成器函数的执行。
因此，在正式和精确的用法中， ＆＃34; generator＆＃34;不合格是指生成器对象，而不是生成器函数。
以上参考资料适用于Python 2，但Python 3 language reference表示同样的事情。但是，Python 3 glossary表示
generator ...通常是指生成器函数，但在某些上下文中可能引用生成器迭代器。如果预期含义不明确，使用完整的术语可以避免含糊不清。
答案 4 :(得分：8)
每个人都有一个非常好的和冗长的答案和例子，我真的很感激。我只是想给那些在概念上还不太清楚的人提供简短的答案：
如果你创建自己的迭代器，它有点涉及 - 你有 创建一个类，至少实现iter和下一个方法。但是，如果你不想经历这个麻烦并希望快速创建一个迭代器，该怎么办呢？幸运的是，Python提供了一种定义迭代器的简便方法。你需要做的就是定义一个至少有1次调用yield的函数，现在当你调用该函数时，它将返回“某种东西”，它将像迭代器一样（你可以调用next方法并使用它）它在for循环中）。这个某物在Python中有一个名为Generator
的名称希望澄清一点。
答案 5 :(得分：6)
生成器函数，生成器对象，生成器：
生成器函数就像Python中的常规函数一样，但它包含一个或多个yield语句。生成器函数是一个很好的工具，可以尽可能简单地创建迭代器对象。生成器函数的迭代器对象回退也称为生成器对象或生成器。
在这个例子中，我创建了一个Generator函数，它返回一个Generator对象<generator object fib at 0x01342480>。与其他迭代器一样，Generator对象可以在for循环中使用，也可以与内置函数next()一起使用，后者从生成器返回下一个值。
def fib(max):
a, b = 0, 1
for i in range(max):
yield a
a, b = b, a + b
print(fib(10)) #<generator object fib at 0x01342480>
for i in fib(10):
print(i) # 0 1 1 2 3 5 8 13 21 34
print(next(myfib)) #0
print(next(myfib)) #1
print(next(myfib)) #1
print(next(myfib)) #2
因此，生成器函数是创建Iterator对象的最简单方法。
<强>迭代：
每个生成器对象都是迭代器，但反之亦然。如果自定义迭代器对象的类实现__iter__和__next__方法（也称为迭代器协议），则可以创建该对象。
但是，使用生成器函数创建迭代器要容易得多，因为它们可以简化创建，但是自定义迭代器可以为您提供更多自由，您还可以根据需要实现其他方法，如图所示在下面的例子中。
class Fib:
def __init__(self,max):
self.current=0
self.next=1
self.max=max
self.count=0
def __iter__(self):
return self
def __next__(self):
if self.count>self.max:
raise StopIteration
else:
self.current,self.next=self.next,(self.current+self.next)
self.count+=1
return self.next-self.current
def __str__(self):
return "Generator object"
itobj=Fib(4)
print(itobj) #Generator object
for i in Fib(4):
print(i) #0 1 1 2
print(next(itobj)) #0
print(next(itobj)) #1
print(next(itobj)) #1
答案 6 :(得分：5)
以前的答案错过了这个补充：生成器有close方法，而典型的迭代器没有。 close方法在生成器中触发StopIteration异常，可能会在该迭代器中的finally子句中捕获，以便有机会运行一些清理。这种抽象使它在大型简单迭代器中最常用。人们可以关闭一个生成器，因为可以关闭文件，而不必打扰下面的内容。
那就是说，我个人对第一个问题的回答是：iteratable只有__iter__方法，典型的迭代器只有__next__方法，生成器有__iter__和__next__以及其他close。
对于第二个问题，我的个人答案是：在公共界面中，我倾向于偏爱发生器，因为它更具弹性：close方法与yield from具有更强的可组合性。在本地，我可以使用迭代器，但只有当它是一个扁平而简单的结构（迭代器不容易构成）并且如果有理由相信序列相当短，特别是如果它可能在它到达结束之前停止。我倾向于将迭代器视为低级原语，除了文字。
对于控制流问题，生成器是一个与promises一样重要的概念：两者都是抽象的和可组合的。
答案 7 :(得分：4)
您可以比较相同数据的两种方法：
def myGeneratorList(n):
for i in range(n):
yield i
def myIterableList(n):
ll = n*[None]
for i in range(n):
ll[i] = i
return ll
# Same values
ll1 = myGeneratorList(10)
ll2 = myIterableList(10)
for i1, i2 in zip(ll1, ll2):
print("{} {}".format(i1, i2))
# Generator can only be read once
ll1 = myGeneratorList(10)
ll2 = myIterableList(10)
print("{} {}".format(len(list(ll1)), len(ll2)))
print("{} {}".format(len(list(ll1)), len(ll2)))
# Generator can be read several times if converted into iterable
ll1 = list(myGeneratorList(10))
ll2 = myIterableList(10)
print("{} {}".format(len(list(ll1)), len(ll2)))
print("{} {}".format(len(list(ll1)), len(ll2)))
此外，如果检查内存占用，则生成器占用的内存要少得多，因为它不需要同时将所有值存储在内存中。
答案 8 :(得分：2)
如果没有另外两个概念iterable和iterator protocol，很难回答这个问题。
iterator和iterable有什么区别？
从概念上讲，您在相应的iterable的帮助下遍历iterator。在实践中，存在一些有助于区分iterator和iterable的差异：
iterator具有__next__方法，iterable没有。__iter__方法。对于iterable，它返回相应的迭代器。如果是iterator，它将返回自身。
这可以在实践中帮助区分iterator和iterable。>>> x = [1, 2, 3]
>>> dir(x)
[... __iter__ ...]
>>> x_iter = iter(x)
>>> dir(x_iter)
[... __iter__ ... __next__ ...]
>>> type(x_iter)
list_iterator
iterables中的python是什么？ list，string，range等。iterators是什么？ enumerate，zip，reversed等。我们可以使用上述方法进行检查。这有点令人困惑。如果只有一种类型，可能会更容易。 range和zip之间有什么区别吗？这样做的原因之一-range有很多其他功能-我们可能会对其进行索引或检查它是否包含一些数字（请参阅详细信息here）。
我们如何自己创建iterator？从理论上讲，我们可以实现Iterator Protocol（请参见here）。我们需要编写__next__和__iter__方法并引发StopIteration异常等等（请参见Alex Martelli的答案以获取示例和可能的动机，另请参见here）。但实际上，我们使用生成器。到目前为止，这似乎是在iterators中创建python的主要方法。
我可以举几个有趣的例子，说明这些概念在实践中的用法有些混乱：
keras中，我们有tf.keras.preprocessing.image.ImageDataGenerator；此类没有__next__和__iter__方法；因此它不是迭代器（或生成器）； flow_from_dataframe()方法，您将获得具有这些方法的DataFrameIterator；但是它没有实现StopIteration（在python的内置迭代器中并不常见）；在文档中，我们可能会读到“产生DataFrameIterator元组的(x, y)”-再次混淆了术语的使用； Sequence中也有keras类，它是生成器功能的自定义实现（常规生成器不适合多线程），但是它没有实现__next__和{{1 }}，而是生成器的包装器（它使用__iter__语句）； 答案 9 :(得分：0)
强烈推荐Ned Batchelder中的示例用于迭代器和生成器
没有生成器来对偶数做某事的方法
def evens(stream):
them = []
for n in stream:
if n % 2 == 0:
them.append(n)
return them
同时使用生成器
def evens(stream):
for n in stream:
if n % 2 == 0:
yield n
return 声明照常调用evens方法（生成器）
num = [...]
for n in evens(num):
do_smth(n)
迭代器
一整页的书是可迭代的，书签是 迭代器
此书签与移动next
litr = iter([1,2,3])
next(litr) ## 1
next(litr) ## 2
next(litr) ## 3
next(litr) ## StopIteration (Exception) as we got end of the iterator
要使用Generator，我们需要一个功能
要使用Iterator ...，我们需要next和iter
如上所述：
Generator是一个迭代器
Iterator的全部好处：
一次在内存中存储一个元素
答案 10 :(得分：0)
我用一种非常简单的方式专门为Python新手编写了代码，尽管深入的Python可以做很多事情。
让我们从最基本的开始：
考虑一个列表，
l = [1,2,3]
让我们写一个等效函数：
def f():
return [1,2,3]
o / p为print(l): [1,2,3]＆
print(f()) : [1,2,3]
让清单可迭代：在python列表中，它总是可迭代的，这意味着您可以随时使用迭代器。
让我们在列表上应用迭代器：
iter_l = iter(l) # iterator applied explicitly
让我们迭代一个函数，即编写等效的生成器函数。
在python中，只要您引入关键字yield；它成为生成器函数，并且迭代器将被隐式应用。
注意：每个生成器始终可以应用隐式迭代器进行迭代，此处的隐式迭代器就是关键所在 因此，生成器函数将是：
def f():
yield 1
yield 2
yield 3
iter_f = f() # which is iter(f) as iterator is already applied implicitly
因此，如果您观察到，一旦将函数f生成为生成器，它已经是iter（f）
现在
l是列表，应用迭代器方法“ iter”后，它将变为 iter（l）
f已经是iter（f），在应用迭代器方法“ iter”之后 变成iter（iter（f）），又是iter（f）
有点儿，您正在将int强制转换为已经为int的int（x），它将保持为int（x）。
例如：的o / p：
print(type(iter(iter(l))))
是
<class 'list_iterator'>
永远不要忘记这是Python，而不是C或C ++
因此，以上解释得出的结论是：
列表l〜= iter（l）
生成器函数f == iter（f）
答案 11 :(得分：0)
无代码 4 行备忘单：
A generator function is a function with yield in it.
A generator expression is like a list comprehension. It uses "()" vs "[]"
A generator object (often called 'a generator') is returned by both above.
A generator is also a subtype of iterator.