python中row是什么意思_一文搞懂Python中的yield

关注公众号「Python七号」，及时 get Python 技能。

yield 可以实现生成器，可以实现协程。什么是生成器，什么是协程，如果还不了解，可以继续往下看，概念可以不懂，只要理解它的作用和效果也可以的。

先翻一下英文单词 yield 的意思：

to produce or provide sth, for example a profit, result or crop

中文意思：出产(作物)；产生(收益、效益等)；提供。

yield 实现生成器

初学 Python 之时，我遇到 yield 关键字时，就把它理解为一种特殊的 return，能看懂就行，自己也很少用，也就没有深入研究过。直到现在，我需要处理大量数据，数据的大小甚至超过了电脑的可用内存，此时我想起来 yield。比如，我操作 db2 数据库查询数据，当数据的结果很大时，我不想一下子读入内存，我就使用了 yield 关键字返回一行数据，程序处理完后，再取下一行：

def read(self, sql, params=()):

stmt = ibm_db.prepare(self.connection, sql)

for index, param in enumerate(params):

ibm_db.bind_param(stmt, index + 1, param)

ibm_db.execute(stmt)

row = ibm_db.fetch_tuple(stmt)

while row:

yield row

row = ibm_db.fetch_tuple(stmt)

可以这么来理解关键字 yield 的用法：它返回了一个值，但程序并未退出，下一次从 yield 后面的代码继续运行，直到后面没有代码，结束运行。这里我们举一个简单的例子看下效果：

>>> def iter_fun():

... print("a")

... yield 1

... print("b")

... yield 2

... print("c")

... yield 3

...

>>> iter_fun()

>>> for i in iter_fun():

... print(i)

...

>>> x = iter_fun()

>>> x.__next__()

Traceback (most recent call last):

File "", line 1, in

StopIteration

通过上面的例子，我们可以发现，yield 关键字自动为我们生成来私有方法 __next__ ，这样不会将所有数据取出来存入内存中，用多少取多少，可以节省内存空间。

除此之外，yield 再数据量较大时，执行速度也会提升:

In [14]: def normal_fun(num):

...: result = []

...: for i in range(0,num):

...: if i%2 == 0:

...: result.append(i)

...: return result

...:

In [14]: def iter_fun(num):

...: for i in range(0,num):

...: if i %2 == 0:

...: yield i

...:

In [15]: %time for i in iter_fun(1000000): a = i

CPU times: user 97 ms, sys: 2.55 ms, total: 99.6 ms

Wall time: 97.2 ms

In [16]: %time for i in normal_fun(1000000): a = i

CPU times: user 115 ms, sys: 13.6 ms, total: 129 ms

Wall time: 128 ms

In [17]: %time for i in normal_fun(100000000): a = i

CPU times: user 10.8 s, sys: 668 ms, total: 11.4 s

Wall time: 11.4 s

In [18]: %time for i in iter_fun(100000000): a = i

CPU times: user 9.1 s, sys: 6.49 ms, total: 9.11 s

Wall time: 9.12 s

上述代码再 Ipython 终端中执行，可以看出使用 yield 的函数，执行的速度更快。

yield 是自己实现一个生成器最便捷的方式。而 Python 语言的生成器是最有用的特性之一，也是使用不广泛的特性，我曾问过周围用 java 的朋友又没有类似的特性，答曰没有，网上搜了下，确实主流的编程语言都没有，因此 Python 的生成器特性没有引起其他语言转 Python 的工程师的关注。

为什么说生成器非常有用呢？

当你需要处理的数据大小超过你电脑的可用内存时，生成器的懒加载(用的时才读入内存)就非常有效。

比如读文件时，如果你使用下面的方式，文件特别大的话，可能内存一下子就满了：

with open("file.txt","r") as reader:

for line in reader.readlines():

#do something

pass

推荐的做法是使用文件本身的生成器，这样读多大的文件，也不会撑爆内存：

with open("file.txt","r") as reader:

for line in reader:

#do something

pass

其实我们可以看一下 reader 到底有哪些方法：

>>> with open("/etc/passwd","r") as reader:

... dir(reader)

...

['_CHUNK_SIZE', '__class__', '__del__', '__delattr__', '__dict__', '__dir__', '__doc__', '__enter__', '__eq__', '__exit__', '__format__', '__ge__', '__getattribute__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__', '__ne__', '__new__', '__next__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '_checkClosed', '_checkReadable', '_checkSeekable', '_checkWritable', '_finalizing', 'buffer', 'close', 'closed', 'detach', 'encoding', 'errors', 'fileno', 'flush', 'isatty', 'line_buffering', 'mode', 'name', 'newlines', 'read', 'readable', 'readline', 'readlines', 'reconfigure', 'seek', 'seekable', 'tell', 'truncate', 'writable', 'write', 'write_through', 'writelines']

>>>

我们可以看到，这里面有一个 __next__ 方法和一个 __next__ 方法，这两个方法是生成器的标志。

想深入学习生成器，迭代器，可迭代对象，可以看我以前的推文：

yield 可以实现协程

yield 关键字还可以实现协程，虽然现在有来 asyncio 和 await 关键字来方便的实现协程，在此之前，实现协程就靠的是 yield。

yield 有一个 send 方法，可以改变 yield 的返回值，是这样用的，先看代码：

In [20]: def fun():

...: print("a")

...: a = yield 1

...: print("b")

...: print("a = ",a)

...: b = yield a

...: print("c")

...: print("b = ",b)

...:

In [21]: x = fun()

In [22]: x.__next__()

Out[22]: 1

In [23]: x.send(4)

a = 4

Out[23]: 4

In [24]: x.send(5)

b = 5

---------------------------------------------------------------------------

StopIteration Traceback (most recent call last)

----> 1 x.send(5)

第一次执行 x 的 next 方法时，函数执行到第一个 yield 处，打印了 a 返回了值 1，此时变量 a 并未获取到 yield 的返回值，a 为 None ，当执行 x.send(4) 时，a 才获取到值 4，程序运行到第二个 yield 处，后续过程也是一样。

利用这一特性，我们可以和被调用的函数通信，进而可以实现一个生产者消费者模型，代码如下：

import time

def consume():

r = ''

while True:

n = yield r

if not n:

return

print('[consumer] consuming%s...' % n)

time.sleep(1)

r = 'well received'

def produce(c):

next(c)

n = 0

while n < 5:

n = n + 1

print('[producer] producing%s...' % n)

r = c.send(n)

print('[producer] consumer return:%s' % r)

c.close()

if __name__=='__main__':

c = consume()

produce(c)

运行结果如下：

[producer] producing 1...

[consumer] consuming 1...