别再只会用 for 循环了！深入理解 Python 迭代器 (核心原理 + 实战)
摘要：你是否以为 for i in list 就是 Python 遍历的全部？其实背后隐藏着一套强大的“迭代器协议”。今天，我们不仅要看懂它，还要学会用它写出更省内存、更优雅的代码。
在日常写代码时，for 循环可以说是我们最亲密的伙伴了。无论是遍历列表、读取文件，还是处理数据，for 循环无处不在。
但是，你有没有想过：
- • 为什么处理大文件时，直接
read() 会爆内存，而逐行读取却没事？
如果你对这些问题的答案模棱两可，那么这篇文章就是为你准备的。今天，我们要彻底搞懂 Python 迭代器（Iterator）。
01 可迭代对象 vs 迭代器
很多初学者容易混淆这两个概念。我们先来做个区分。
在 Python 中，有两个重要的抽象基类：Iterable（可迭代对象）和 Iterator（迭代器）。
📦 可迭代对象 (Iterable)
定义：实现了 __iter__() 方法的对象。特点：它可以被迭代，但它本身不一定能记住迭代的位置。常见例子：list, tuple, dict, set, str。
🏃 迭代器 (Iterator)
定义：同时实现了 __iter__() 和 __next__() 方法的对象。特点：它是一个带状态的对象，它记得当前读到哪里了。调用 next() 会返回下一个值，直到耗尽。核心：惰性计算（用多少取多少，不一次性加载到内存）。
🔍 代码验证
我们可以用 collections.abc 来检测：
from collections.abc import Iterable, Iteratorlst = [1, 2, 3]print(isinstance(lst, Iterable)) # Trueprint(isinstance(lst, Iterator)) # False (列表不是迭代器！)it = iter(lst) # 通过 iter() 获取迭代器print(isinstance(it, Iterator)) # True
💡 形象比喻：
- • 迭代器 就像你的手指（或书签），它指着当前这一页。你每读一页（
next），手指就往后挪一页。书本身不会动，动的是手指。
02 迭代器协议：幕后发生了什么？
当你写下这行代码时：
for item in [1, 2, 3]: print(item)
Python 解释器在幕后实际上执行了以下逻辑（伪代码）：
# 1. 获取迭代器iterator = iter([1, 2, 3])while True: try: # 2. 不断获取下一个值 item = next(iterator) print(item) except StopIteration: # 3. 没有值了，跳出循环 break
关键点：
- 1.
iter()：调用对象的 __iter__ 方法。 - 2.
next()：调用迭代器的 __next__ 方法。 - 3.
StopIteration：当没有更多元素时，__next__ 必须抛出这个异常，通知循环结束。
03 手写一个迭代器类
为了加深理解，我们不用 list，而是自己实现一个斐波那契数列的迭代器。
class Fibonacci: def __init__(self, max_count): self.max_count = max_count self.count = 0 self.a, self.b = 0, 1 def __iter__(self): # 迭代器必须返回自身 return self def __next__(self): if self.count >= self.max_count: raise StopIteration result = self.a self.a, self.b = self.b, self.a + self.b self.count += 1 return result# 使用for num in Fibonacci(5): print(num, end=' ')# 输出：0 1 1 2 3
思考：如果用列表存储前 100 万个斐波那契数，内存会怎样？用迭代器呢？
- • 列表：一次性生成 100 万个整数，占用大量内存。
- • 迭代器：每次只算一个数，用完即丢，内存占用几乎不变。这就是惰性求值的威力。
04 生成器：迭代器的极简写法
手写 __iter__ 和 __next__ 太麻烦了，还要维护状态。Python 提供了生成器（Generator），它是实现迭代器最优雅的方式。
🛠 使用 yield
只要函数里包含 yield，它就不再是普通函数，而是一个生成器函数。
def fibonacci_gen(max_count): count = 0 a, b = 0, 1 while count < max_count: yield a # 暂停在这里，返回 a，下次从这继续 a, b = b, a + b count += 1# 使用方式完全一样for num in fibonacci_gen(5): print(num, end=' ')
yield 的魔法：它保存了函数的执行上下文（局部变量、指令指针）。每次调用 next()，函数从 yield 处“醒来”，继续执行，直到遇到下一个 yield。
🚀 生成器表达式
类似列表推导式，但用圆括号 ()。
# 列表推导式：立即生成所有数据lst = [x * 2 for x in range(1000000)]# 生成器表达式：只生成一个对象，按需计算gen = (x * 2 for x in range(1000000))print(next(gen)) # 0print(next(gen)) # 2
建议：在处理大数据流时，优先使用生成器表达式，节省内存！
05 神器 itertools 标准库
Python 有一个专门处理迭代器的标准库 itertools，里面全是高效工具。不要重复造轮子！
1. 无限迭代器
import itertools# 无限计数counter = itertools.count(10, 2) # 10, 12, 14...print(next(counter)) # 10print(next(counter)) # 12
2. 有限迭代器处理
# 链式连接多个可迭代对象for i in itertools.chain([1, 2], ['a', 'b']): print(i, end=' ') # 1 2 a b# 切片 (不加载全部数据到内存)data = range(100)for i in itertools.islice(data, 10, 15): print(i, end=' ') # 10 11 12 13 14
3. 分组
data = ['A', 'A', 'B', 'B', 'B', 'C']# 按相邻相同元素分组for key, group in itertools.groupby(data): print(key, list(group))# 输出：A ['A', 'A'], B ['B', 'B', 'B'], C ['C']
06 常见坑与最佳实践
⚠️ 坑 1：迭代器只能消费一次
gen = (x for x in range(3))list(gen) # [0, 1, 2]list(gen) # [] (空了！)
解决：如果需要多次使用，请转为列表 list()，或者重新创建生成器。
⚠️ 坑 2：在遍历中修改列表
nums = [1, 2, 3, 4, 5]for n in nums: if n % 2 == 0: nums.remove(n) # 危险！会跳过元素
解决：使用列表推导式生成新列表，或遍历副本 nums[:]。
✅ 最佳实践
- 1. 处理大文件：使用
for line in open('file.txt')，不要 readlines()。 - 2. 数据管道：利用生成器串联数据处理步骤，类似 Unix 管道。
- 3. 内存敏感：只要不需要随机访问，优先用生成器代替列表。
07 总结
今天我们深入了 Python 迭代器的核心：
- 1. 区分概念：
Iterable 是容器，Iterator 是游标。 - 2. 理解协议：
iter() 获取迭代器，next() 取值，StopIteration 结束。 - 3. 掌握工具：
yield 是写迭代器的捷径，itertools 是进阶利器。
掌握迭代器，标志着你的 Python 水平从“写脚本”迈向了“工程化”。希望你在接下来的代码中，能更多地运用迭代思维！
👇 互动话题你在工作中遇到过因为列表太大导致内存溢出的情况吗？你是怎么解决的？欢迎在评论区留言分享！
喜欢这篇文章吗？点个「在看」，分享给更多小伙伴！👇
10个月宝宝每天需要喝多少奶粉？