生成器函数是使用yield关键字的函数，能暂停执行并逐步产出值。它与普通函数不同，调用时返回生成器对象而非立即执行，适合处理大数据、惰性求值等场景。1. yield产出值并保留状态，等待下次调用继续执行；2. 生成器节省内存，适合处理大文件或无限序列；3. yield可用于简化流程控制；4. yield只能在函数体内使用，且生成器不可重置；5. 虽节省内存但频繁调用可能影响性能。掌握yield可有效应对流式数据和惰性计算需求。
在python中，yield关键字是生成器函数的核心。它不像普通函数那样直接返回一个值然后结束，而是“产出”一个值，并暂停函数的执行状态，等待下一次被调用时继续执行。这使得生成器非常适合处理大数据集、惰性求值等场景。
什么是生成器函数？
生成器函数和普通函数看起来差不多，区别在于它使用 yield 而不是 return。当你调用一个生成器函数时，它不会立即执行函数体，而是返回一个生成器对象。这个对象可以逐步迭代，每次调用 .next() 或者用 for 循环时，函数会从上次 yield 的位置继续执行。
举个简单例子：
def count_up_to(max): count = 1 while count <= max: yield count count += 1 counter = count_up_to(5)
这时，counter是一个生成器对象。你每调用一次 next(counter)，它就会输出一个数字，直到结束。
立即学习“Python免费学习笔记（深入）”；
yield的典型使用场景
处理大量数据时节省内存
如果你要处理非常大的数据集，比如读取一个几GB的日志文件，一次性加载到内存显然不现实。这时候可以用生成器一行一行地读取：
def read_large_file(file_path): with open(file_path, 'r') as f: for line in f: yield line.strip()
这样每次只读取一行，处理完再读下一行，大大减少内存占用。
实现无限序列
有时候你需要一个无限增长的序列，比如斐波那契数列。生成器可以轻松实现这一点：
def fibonacci(): a, b = 0, 1 while True: yield a a, b = b, a + b
你可以随时取前几个数，也可以结合条件中断循环，非常灵活。
简化异步或流程控制
虽然现在有 async/await，但在早期Python代码中，生成器常用来模拟协程行为。通过 yield 控制执行流程，在某些复杂的任务调度中有其独特优势。
yield和return的区别
- return：直接返回一个值，函数终止。
- yield：返回一个值，但保留函数当前的状态，下次调用时继续执行。
比如下面这个函数：
def demo(): yield 1 yield 2 yield 3
调用时：
gen = demo() print(next(gen)) # 输出1 print(next(gen)) # 输出2
函数会在每个 yield 暂停，而不是一次性执行完。
使用yield时需要注意的地方
- 不能随便放在任何地方：yield只能出现在函数体内，不能写在类定义、全局作用域或其他语句块中。
- 生成器是一次性的：一旦遍历完成，就不能重置。如果需要重新开始，必须重新创建生成器对象。
- 性能并不总是最优：虽然节省内存，但如果频繁调用生成器，可能会比列表推导式慢一些。
基本上就这些。掌握好yield，你就掌握了Python中处理惰性计算和流式数据的关键工具。
