Complete-Python-3-Bootcamp迭代器协议：iter与next实现

贡秀丽

316人浏览 · 2025-09-27 01:18:07

贡秀丽 · 2025-09-27 01:18:07 发布

Complete-Python-3-Bootcamp迭代器协议：iter与next实现

【免费下载链接】Complete-Python-3-Bootcamp Course Files for Complete Python 3 Bootcamp Course on Udemy 项目地址: https://gitcode.com/GitHub_Trending/co/Complete-Python-3-Bootcamp

在Python编程中，迭代器协议（Iterator Protocol）是实现可迭代对象的核心机制。通过定义__iter__和__next__方法，我们可以创建自定义的迭代器，实现高效的元素遍历。本文将深入解析这两个方法的实现原理，并通过项目中的实例代码展示其应用。

迭代器协议基础

迭代器协议要求对象必须实现两个方法：__iter__()和__next__()。__iter__方法返回迭代器对象本身，而__next__方法则返回序列中的下一个元素，当没有更多元素时触发StopIteration异常。

项目中的11-Python Generators/01-Iterators and Generators.ipynb详细介绍了这一概念。例如，以下代码展示了一个简单的生成器函数，它通过yield关键字隐式实现了迭代器协议：

def simple_gen():
    for x in range(3):
        yield x

iter方法：返回迭代器对象

__iter__方法的作用是返回一个迭代器实例。对于可迭代对象（如列表、字符串），调用iter()函数时会自动调用其__iter__方法。例如，字符串本身不是迭代器，但通过iter()可以将其转换为迭代器：

s = 'hello'
s_iter = iter(s)  # 调用s.__iter__()
print(next(s_iter))  # 输出 'h'

在项目的示例中，通过iter()函数将字符串转换为迭代器后，即可使用next()函数逐个获取元素。

next方法：获取下一个元素

__next__方法负责返回序列中的下一个元素。当没有元素可返回时，需引发StopIteration异常。以下是一个手动实现迭代器协议的示例：

class MyIterator:
    def __init__(self, data):
        self.data = data
        self.index = 0
    
    def __iter__(self):
        return self
    
    def __next__(self):
        if self.index >= len(self.data):
            raise StopIteration
        value = self.data[self.index]
        self.index += 1
        return value

# 使用自定义迭代器
iter_obj = MyIterator([1, 2, 3])
for item in iter_obj:
    print(item)  # 依次输出1, 2, 3

项目中的11-Python Generators/01-Iterators and Generators.ipynb通过next()函数的调用演示了迭代器的工作流程。当迭代器耗尽时，再次调用next()会触发StopIteration：

g = simple_gen()
print(next(g))  # 0
print(next(g))  # 1
print(next(g))  # 2
print(next(g))  # StopIteration

生成器与迭代器的关系

生成器是一种简化迭代器实现的方式。使用yield关键字的函数会自动成为生成器，其内部隐含了__iter__和__next__方法的实现。例如，项目中的斐波那契数列生成器：

def genfibon(n):
    a = 1
    b = 1
    for i in range(n):
        yield a
        a, b = b, a + b

该生成器无需显式定义__iter__和__next__方法，却能像迭代器一样工作。这大大简化了迭代器的创建过程，尤其适用于处理大型数据集或无限序列。

实际应用场景

迭代器协议在Python中应用广泛，例如：

内存高效处理大数据：生成器一次只生成一个元素，避免将所有数据加载到内存中。
无限序列生成：如生成无限的斐波那契数列或随机数流。
自定义可迭代对象：通过实现迭代器协议，使自定义类支持for循环遍历。

项目中的11-Python Generators/01-Iterators and Generators.ipynb对比了普通函数与生成器的内存使用差异。例如，普通函数返回所有斐波那契数组成的列表，而生成器则按需生成，显著节省内存。

总结与扩展

掌握__iter__和__next__方法是理解Python迭代机制的关键。通过实现这两个方法，我们可以创建灵活高效的迭代器，满足各种遍历需求。项目中的11-Python Generators/01-Iterators and Generators.ipynb提供了丰富的示例和练习，建议读者深入学习。

此外，Python还提供了itertools模块，包含多种预定义的迭代器工具，可进一步简化复杂迭代逻辑的实现。结合生成器表达式，我们可以编写出更简洁、高效的代码。