深入理解Python中的生成器与协程：从理论到实践
在现代编程中，高效的资源管理和异步任务处理是至关重要的。Python 提供了多种机制来实现这些目标，其中生成器（Generator）和协程（Coroutine）是非常强大且灵活的工具。本文将深入探讨这两者的工作原理，并通过实际代码示例展示它们的应用场景。
生成器（Generators）
基本概念
生成器是一种特殊的迭代器，它允许我们在遍历过程中逐步计算元素，而不是一次性创建整个列表。这不仅节省了内存，还能提高程序的性能。生成器使用 yield 关键字来返回值，每次调用 next() 方法时，函数会从上次暂停的地方继续执行，直到遇到下一个 yield 或者函数结束。
示例1：简单的斐波那契数列生成器
def fibonacci(n): a, b = 0, 1 for _ in range(n): yield a a, b = b, a + b# 使用生成器fib = fibonacci(10)for num in fib: print(num)输出结果：
0112358132134在这个例子中，我们定义了一个生成斐波那契数列的函数 fibonacci，它使用 yield 返回当前的斐波那契数值，并在下一次调用时更新状态。相比于直接构建一个包含所有元素的列表，这种方式更加节省内存。
发送数据给生成器
除了返回值外，生成器还可以接收外部输入的数据。我们可以通过 send() 方法向生成器发送值，并在生成器内部使用 yield 接收这个值。
示例2：带反馈机制的平均值计算器
def average(): total = 0.0 count = 0 avg = None while True: try: x = yield avg total += x count += 1 avg = total / count except StopIteration: break# 创建生成器对象avg_gen = average()next(avg_gen) # 启动生成器# 发送数据并获取结果print(avg_gen.send(10)) # 输出: 10.0print(avg_gen.send(20)) # 输出: 15.0print(avg_gen.send(30)) # 输出: 20.0avg_gen.close() # 关闭生成器这里定义了一个名为 average 的生成器，它可以不断接收新的数值并计算当前的平均值。通过 send() 方法传递数据，生成器会在每次接收到新值后重新计算平均值并返回给调用方。
协程（Coroutines）
理论基础
协程是多任务协作的一种方式，它允许多个任务交替运行而不必阻塞主线程。与传统的线程不同，协程之间的切换是由程序员显式控制的，因此可以避免上下文切换带来的开销。Python 中的协程主要基于生成器实现，但提供了更高级别的抽象和更丰富的功能。
async/await语法
从 Python 3.5 开始引入了 async 和 await 关键字，使得编写协程变得更加直观和简洁。我们可以用 async def 定义一个协程函数，然后用 await 来等待另一个协程完成。
示例3：并发下载网页内容
import asyncioimport aiohttpasync def fetch(session, url): async with session.get(url) as response: return await response.text()async def main(urls): async with aiohttp.ClientSession() as session: tasks = [fetch(session, url) for url in urls] results = await asyncio.gather(*tasks) for i, result in enumerate(results): print(f"Downloaded {urls[i]} with length {len(result)}")if __name__ == "__main__": urls = [ "https://www.example.com", "https://www.python.org", "https://www.github.com" ] asyncio.run(main(urls))这段代码展示了如何利用 aiohttp 库结合 asyncio 实现并发下载网页内容的功能。每个 fetch 函数都是一个独立的协程，负责从指定 URL 获取网页文本；而 main 函数则负责创建多个 fetch 协程并通过 gather 将它们组合在一起，最终以非阻塞的方式完成所有下载任务。
异常处理
当协程内部发生异常时，我们可以像处理普通函数那样捕获并处理它们。此外，如果需要主动抛出异常给协程，也可以使用 throw() 方法。
示例4：带有超时机制的协程
import asyncioasync def slow_operation(delay): try: await asyncio.sleep(delay) print("Operation completed") except asyncio.CancelledError: print("Operation was cancelled")async def main(): task = asyncio.create_task(slow_operation(5)) try: await asyncio.wait_for(task, timeout=3) except asyncio.TimeoutError: print("Task timed out") task.cancel() await taskif __name__ == "__main__": asyncio.run(main())此示例演示了如何为协程设置超时时间，并在超时时取消正在执行的任务。wait_for() 函数用于等待给定的协程完成，如果超过指定的时间限制，则触发 TimeoutError 并取消对应的协程任务。
总结
通过本文的学习，相信你已经对 Python 中的生成器和协程有了更深的理解。生成器为我们提供了一种优雅的方式来处理大量数据流或延迟计算，而协程则让异步编程变得更加简单高效。无论是构建高并发的服务端应用还是优化客户端脚本，掌握这两种技术都能极大地提升你的开发效率。希望你能将所学知识运用到实际项目中，创造出更加优秀的作品！
