异常教程

Python 定义一个迭代器类（一文讲透）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

前言：为什么需要迭代器？

在编程世界中，迭代器（Iterator）如同图书馆的借阅员，它负责按顺序管理数据的“借阅流程”。无论是遍历列表、字典还是自定义数据结构，迭代器都在背后默默工作。对于 Python 开发者而言，理解如何定义一个迭代器类，不仅能提升代码的可维护性，还能在处理大规模数据时实现资源的高效利用。

本文将从迭代器的基础概念出发，逐步讲解如何定义一个迭代器类，并通过实际案例和代码示例，帮助读者掌握这一核心技能。无论你是编程初学者还是中级开发者，都能通过本文建立清晰的迭代器思维模型。

什么是迭代器？

在 Python 中，迭代器是一个遵循特定规则的对象。它必须实现两个核心方法：

  • __iter__(): 返回迭代器对象自身。
  • __next__(): 返回序列中的下一个值，当没有更多元素时抛出 StopIteration 异常。

迭代器与可迭代对象的区别

想象一个图书馆的场景：

  • 可迭代对象（Iterable）：就像图书馆的目录列表，它知道所有书籍的位置，但无法直接“借出”书籍。
  • 迭代器（Iterator）：更像是借阅员，它根据目录一步步取出书籍，并管理借阅顺序。

在 Python 中，列表、元组等内置类型都是可迭代对象，但它们本身不是迭代器。例如：

books = ["Python入门", "算法导论", "设计模式"]
book_iterator = iter(books)
print(next(book_iterator))  # 输出：Python入门

定义迭代器类的步骤

要定义一个迭代器类，需遵循以下步骤：

1. 创建类并实现 __iter__() 方法

这个方法必须返回迭代器对象自身，通常直接返回 self。

class MyIterator:
    def __iter__(self):
        return self

2. 实现 __next__() 方法

这个方法负责生成下一个值，并在序列结束时抛出 StopIteration 异常。例如，一个简单的数字迭代器：

class NumberIterator:
    def __init__(self, max_value):
        self.max_value = max_value
        self.current = 0

    def __iter__(self):
        return self

    def __next__(self):
        if self.current < self.max_value:
            value = self.current
            self.current += 1
            return value
        else:
            raise StopIteration

3. 使用迭代器

通过 iter() 和 next() 函数调用：

num_iter = NumberIterator(3)
for num in num_iter:
    print(num)  # 输出：0 1 2

实战案例：斐波那契数列迭代器

斐波那契数列是迭代器应用的经典场景。我们可以定义一个迭代器类，按需生成前 N 项斐波那契数：

class FibonacciIterator:
    def __init__(self, count):
        self.count = count
        self.current = 0
        self.a, self.b = 0, 1

    def __iter__(self):
        return self

    def __next__(self):
        if self.current < self.count:
            value = self.a
            self.a, self.b = self.b, self.a + self.b
            self.current += 1
            return value
        else:
            raise StopIteration

使用方式：

fib_iter = FibonacciIterator(5)
for num in fib_iter:
    print(num)  # 输出：0 1 1 2 3

迭代器的高级技巧

1. 使用生成器简化代码

生成器（Generator）是定义迭代器的便捷方式。通过 yield 关键字，可以将函数转化为迭代器：

def fibonacci_generator(count):
    a, b = 0, 1
    current = 0
    while current < count:
        yield a
        a, b = b, a + b
        current += 1

使用生成器与迭代器效果相同：

for num in fibonacci_generator(5):
    print(num)

2. 异常处理与无限迭代器

某些场景下，迭代器可能需要无限生成数据。例如，一个无限的斐波那契迭代器：

class InfiniteFibonacci:
    def __init__(self):
        self.a, self.b = 0, 1

    def __iter__(self):
        return self

    def __next__(self):
        value = self.a
        self.a, self.b = self.b, self.a + self.b
        return value

但需注意，无限迭代器需通过手动退出循环避免死循环：

fib_inf = InfiniteFibonacci()
for num in fib_inf:
    if num > 100:
        break
    print(num)

常见问题解答

Q1：为什么不能直接使用列表替代迭代器？

列表会一次性存储所有数据，而迭代器按需生成数据。例如，处理百万级数据时，迭代器能显著减少内存占用。

Q2：迭代器和生成器有什么区别？

  • 迭代器：需要显式定义类，并实现 __iter__ 和 __next__ 方法。
  • 生成器：通过 yield 关键字自动生成迭代器逻辑，代码更简洁。

Q3：如何避免 StopIteration 异常？

在 for 循环中，Python 会自动捕获 StopIteration，因此无需手动处理。但在手动调用 next() 时，需用 try-except 块：

my_iter = iter([1, 2, 3])
try:
    while True:
        print(next(my_iter))
except StopIteration:
    pass

总结：迭代器的核心价值

通过定义一个迭代器类，我们能：

  1. 解耦数据生成与遍历逻辑：将数据生成规则封装在类中，提升代码复用性。
  2. 实现高效内存管理：按需生成数据，适合处理大数据集或无限序列。
  3. 扩展 Python 的迭代协议：自定义迭代行为，满足特定业务需求。

建议读者通过以下步骤巩固知识：

  1. 重新实现斐波那契迭代器类；
  2. 尝试将现有代码中的列表替换为迭代器；
  3. 探索 itertools 模块中的高级迭代工具。

掌握迭代器的定义与使用，将帮助你在 Python 开发中更优雅地处理数据流，这也是构建高性能应用的重要基石。

最新发布

查看更多文章