生成器是 Python 面试中一个经常被问到的知识点。它不仅能考察候选人对迭代器和惰性求值的理解，还能展示代码优化的能力。今天，我们从面试的角度全面解析生成器的概念、应用以及常见的面试问题，帮助你轻松应对相关考题。
1. 什么是生成器？
生成器是 Python 中的一种特殊的迭代器，它通过使用 yield 关键字逐步生成值，而不是一次性将所有数据存储到内存中。
特点：
- 惰性求值： 按需生成数据，避免一次性占用过多内存。
- 可迭代性： 生成器是迭代器，支持 for 循环和 next() 方法。
- 状态保持： 每次执行到 yield 时会暂停，并在下一次调用时从暂停处继续执行。
2. 生成器的实现方式
2.1 使用 yield 关键字
一个函数中只要包含了 yield 关键字，它就会变成一个生成器。
def simple_generator():
yield 1
yield 2
yield 3
gen = simple_generator()
print(next(gen)) # 输出: 1
print(next(gen)) # 输出: 2
print(next(gen)) # 输出: 3
注意：
- 调用生成器函数不会立即执行，而是返回一个生成器对象。
- 使用 next() 调用生成器时，会从上次暂停的地方继续执行。
2.2 使用生成器表达式
生成器表达式和列表推导式类似，但使用圆括号代替方括号。
gen_expr = (x ** 2 for x in range(5))
print(next(gen_expr)) # 输出: 0
print(next(gen_expr)) # 输出: 1
生成器表达式适用于需要惰性计算的场景，例如处理大规模数据时。
3. 生成器的应用场景
3.1 处理大文件
在处理大文件时，使用生成器可以避免将整个文件加载到内存中。
def read_large_file(file_path):
with open(file_path, 'r') as file:
for line in file:
yield line.strip()
for line in read_large_file('large_file.txt'):
print(line)
3.2 无限序列
生成器可以生成无限序列，这在列表中是无法实现的。
def infinite_counter():
num = 0
while True:
yield num
num += 1
counter = infinite_counter()
print(next(counter)) # 输出: 0
print(next(counter)) # 输出: 1
3.3 数据流处理
生成器常用于实时处理数据流，避免因为数据量过大而导致内存不足。
4. 生成器与迭代器的区别
在面试中，生成器和迭代器的关系经常被提及：
生成器 | 迭代器 |
用 yield 定义 | 用类实现并实现 __iter__ 和 __next__ |
简洁易用 | 代码较复杂 |
自动维护状态 | 手动维护状态 |
5. 常见的面试问题
问题 1：生成器和列表的区别是什么？
答案：
- 内存占用： 列表会将所有数据加载到内存中，而生成器按需生成数据，占用内存更少。
- 性能： 在处理大规模数据时，生成器效率更高。
- 可修改性： 列表可以修改，生成器不可修改。
问题 2：如何中断生成器？
答案：
- 使用 return 语句退出生成器。
- 使用生成器对象的 close() 方法强制终止。
def my_generator():
yield 1
yield 2
return 3 # 生成器终止
gen = my_generator()
print(next(gen)) # 输出: 1
print(next(gen)) # 输出: 2
try:
print(next(gen))
except StopIteration as e:
print(f"Generator stopped: {e}")
问题 3：生成器是否可以被多次迭代？
答案： 生成器一旦迭代完毕，就无法重新开始，需要重新创建一个新的生成器对象。
def my_gen():
yield 1
yield 2
gen = my_gen()
for val in gen:
print(val) # 输出: 1, 2
for val in gen:
print(val) # 无输出，因为生成器已经迭代完毕
6. 面试中的常见陷阱
陷阱 1：生成器中的惰性求值
生成器不会立即执行，只有在调用时才生成数据。
def trap_example():
data = (x ** 2 for x in range(10))
print(list(data))
print(list(data)) # 第二次调用为空，因为生成器只能遍历一次
陷阱 2：生成器中的异常处理
在生成器中，可以使用 try...except 捕获异常。
def exception_handling():
try:
yield 1
yield 2
except GeneratorExit:
print("Generator was closed")
except Exception as e:
print(f"Exception: {e}")
gen = exception_handling()
print(next(gen)) # 输出: 1
gen.close() # 触发 GeneratorExit
7. 面试技巧总结
- 回答时结合场景： 解释生成器时，结合大文件处理或实时数据流等场景。
- 写代码更具说服力： 在面试中，多写实际的代码示例，展现动手能力。
- 重点突出： 生成器的优势在于节省内存和惰性求值，这点一定要强调。
8. 总结
生成器是 Python 中的一个强大工具，能够以极低的内存消耗处理大规模数据，同时提供灵活性和简洁性。通过掌握生成器的基本原理、实现方式和实际应用，你不仅可以提升自己的编码能力，还能在 Python 面试中脱颖而出。