generator自PEP 255引入以来，一直是Python非常重要的组成部分。
generator允许我们定义一个函数，使其成为一个迭代器（iterator）。这是一种更快，更简洁的创建迭代器的方法。
那么迭代器又是什么呢？
迭代器是可以在其上进行循环的对象。也就是说，我们可以通过for循环对其进行遍历。与此同时，与可迭代（iterable）对象（string, list, tuple等）不同，迭代器可以通过next()函数获取下一个值。
迭代器由实现了迭代器协议（iterator protocol）的类定义。该协议要求在类中实现两个方法：__iter__和__next__。
既然我们已经有了可迭代对象，为什么还需要创建迭代器呢？原因在于，迭代器可以节省内存空间。
迭代器并不是在初始化的时候就将所有元素的值都计算出来，而是只有在数据被需要时才进行计算。这就是所谓的惰性计算（lazy evaluation）。
惰性计算之所以重要，是因为当我们在操作一个规模较大的数据集合的时候，它允许我们可以立刻对数据进行读取，而不必等到所有数据都计算完成。
比如我们想计算小于某个值的所有质数。
首先，我们定义一个函数来判断一个数是否是质数：
然后我们定义一个迭代器类，并且实现__iter__和__next__方法：
如果下一个质数大于等于max，迭代器将抛出一个StopIteration异常，从而结束迭代。
通过迭代器，我们不需要创建一个list把所有质数保存在内存里。而是仅仅在每次请求下一个质数的时候才生成这个值。
在循环中，每轮迭代Primes对象都会调用__next__方法去产生下一个质数。
迭代器只能被遍历一次。如果你试图再次对其进行遍历，那么将无法得到任何结果。
现在我们知道迭代器是什么了，接下来让我们进入generator的话题。
generator
generator引入了yield指令。yield和return比较类似，它们都会从函数返回一个值。
不同之处在于，yield会保存函数当前的执行状态。当函数再次被调用时，执行将从上次返回之处开始，并保持有变量的值都与yield之前相同。
让我们来把Primes改造成一个generator：
是不是看起来好多了？
更进一步的，利用PEP 289引入的generator表达式（generator expressions），我们可以做得更好。
下列代码可以达到与generator函数相同的效果：
看，这就是Python generator之美！
总结
- generator允许我们优雅地创建迭代器。
- generator采用惰性计算，只有在需要时才计算下一个值，非常适合处理大数据集合。
- 迭代器和generator只能被遍历一次。
- generator函数可以产生迭代器。
- generator表达式在特定场景下可以替代generator函数并且实现更为简单。
欢迎大家关注我的头条号并就这一话题进行讨论。
