Python 生成器、迭代器与装饰器

更新时间：2026-08-29。本文回答：yield 到底是什么？生成器为什么省内存？装饰器如何在不动原函数的情况下加功能？

一、迭代器协议：for 循环背后的约定

Python 的 for x in obj 能遍历任何"可迭代对象"，靠的是两条协议：

• 可迭代（iterable）：实现 __iter__()，返回一个迭代器。
• 迭代器（iterator）：实现 __next__()，每次返回下一个值，耗尽时抛 StopIteration。

class Count:
    def __init__(self, n): self.n = n; self.i = 0
    def __iter__(self): return self
    def __next__(self):
        if self.i >= self.n: raise StopIteration
        v = self.i; self.i += 1; return v

for x in Count(3):
    print(x)   # 0 1 2

核心结论：迭代器把"遍历逻辑"和"数据容器"解耦——你不必一次性把所有元素放进内存。

二、生成器：用 yield 写迭代器

手写迭代器很啰嗦，生成器（generator）用 yield 让函数"暂停/恢复"，自动拥有迭代器协议：

def fib(n):
    a, b = 0, 1
    for _ in range(n):
        yield a          # 每次到这里"暂停返回"，下次从下一行继续
        a, b = b, a + b

for v in fib(5):
    print(v)   # 0 1 1 2 3

维度	列表（一次性）	生成器（惰性）
内存	全部元素入内存	只保存当前状态
适用	数据量小、需随机访问	大流、无限序列、管道处理
速度	建表有开销	按需计算，省内存

工程价值：读大日志文件、解析 perf 输出流时，用生成器逐行 yield，内存占用是常数级——和本站处理观测数据的场景天然契合。

三、装饰器：不动原函数加功能

装饰器是高阶函数，接收函数、返回新函数。本质是闭包（closure）——内层函数"记住"了外层作用域的变量：

import time
def timed(f):
    def wrap(*args, **kw):
        t = time.time()
        result = f(*args, **kw)
        print(f"{f.__name__}: {time.time()-t:.3f}s")
        return result
    return wrap

@timed
def compute():
    return sum(range(10_000_000))

• @timed 等价于 compute = timed(compute)。
• 常见用途：计时、缓存（functools.lru_cache）、鉴权、重试、日志——横切关注点的统一注入点。

四、与性能剖析主线的衔接

Python 机制	本站对应	衔接文档
生成器惰性	缓存与程序性能	流式处理降低内存压力
闭包/装饰器	函数式范式	高阶函数跨语言同源
lru_cache 缓存	CPU 缓存组织	空间换时间，减少重复计算
装饰器计时	perf 观测方法论	Python 层热点定位入口

五、常见坑

• 生成器只能遍历一次：遍历完再 for 一遍会得到空，需重新构造或用 list() 物化。
• yield from 委托：yield from sub_gen 把迭代委托给子生成器，写递归生成器更清晰。
• 装饰器吞掉元信息：用 functools.wraps(f) 保留原函数的 __name__/__doc__，否则日志和调试会困惑。

一句话总结

生成器用 yield 把"一次性建表"变成"按需产出"（省内存），装饰器用闭包把"横切逻辑"统一注入（省重复）——两者都是 Python "写得少、跑得对"的代表。

---

继续：GIL、多进程与 asyncio → 性能优化路径。