本文转载自微信公众号「小菜学编程」，重新作者fasionchan。认识转载本文请联系小菜学编程公众号。生成
我们知道，重新函数体包含 yield 关键字的认识函数不是一个普通函数。这种函数叫做 生成器 ( generator )，生成一般用于循环处理结构，重新应用得当可以极大优化内存使用效率。认识例如，生成设计一个函数，重新打开文件并将每一行转成大写并返回：
def read_file_upper(path): lines = [] with open(path) as f: for line in f: lines.append(line.upper()) return lines这个版本的认识函数，在内部创建了一个 list 对象，生成用于保存转换结果。重新for 循环则遍历文件每一行，认识将其转成大写并追加到列表中。生成这样一来，文件中的每一行均需要保存在列表中，如果文件很大，内存开销可想而知。
我们可以借助 yield 关键字，将 read_file_upper 函数改成生成器版本。函数主体逻辑没有任何变化，只是将每行数据的处理结果通过 yield 逐个返回，而不是收集到 list 对象后再返还。源码下载
def iter_file_upper(path): with open(path) as f: for line in f: yield line.upper()如果现在有一个文本文件 data.txt ，里面包含以下内容：
hello, world life is short, use python my wechat id is: coding-fan bye用 iter_file_upper 生成器，我们可以这样对它进行处理：
>>> for line in iter_file_upper(text.txt): ... print(line.strip()) HELLO, WORLD LIFE IS SHORT, USE PYTHON MY WECHAT ID IS: CODING-FAN BYEiter_file_upper 生成器用法与 read_file_upper 函数大致相同，但它不会一次性拿住文件所有数据行，而是逐行处理、逐个返回，这样便将内存使用量降到最低。
那么，生成器为什么会有这样的奇效呢?我们接着观察：
>>> g = iter_file_upper(text.txt) >>> g <generator object iter_file_upper at 0x103becd68>我们调用 iter_file_upper 后，得到一个生成器对象，而不是文件处理结果，这时 iter_file_upper 还未开始执行。
当我们调用 next 函数从生成器接收下一个数据时，iter_file_upper 开始执行并在 yield 处停下来，并把第一行的处理结果返回给我们：
>>> next(g) HELLO, WORLD\n这时，生成器处于暂停状态，没有我们的指令，它不会接着处理第二行数据。
当我们再次执行 next 函数时，生成器再次恢复执行，处理下一行数据并在 yield 处再次暂停：
>>> next(g) LIFE IS SHORT, USE PYTHON\n生成器记住了自己的执行进度，每次调用 next 函数，它总是处理并生产下一个数据，云南idc服务商完全不用我们瞎操心：
>>> next(g) MY WECHAT ID IS: CODING-FAN\n >>> next(g) BYE\n当 iter_file_upper 代码逻辑执行完毕，它将给 next 抛一个异常，以此通知调用者它已经结束了：
>>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration因此，我们可以简单认为 for-in 循环在 Python 虚拟机内部是这样实现的：
不断调用 next 函数让生成器产出数据; 直到生成器抛出 StopIteration 异常;在经典的线程模型中，每个线程有一个独立的执行流，只能执行一个任务。如果一个程序需要同时处理多个任务，可以借助 多进程 或者 多线程 技术。假设一个站点需要同时服务多个客户端连接，可以为每个连接创建一个独立的线程进行处理。
不管线程还是进程，切换时都会带来巨大的开销：用户态/内核态切换、执行上下文保存和恢复、CPU缓存刷新等等。因此，用线程或进程来驱动小任务的执行，显然不是一个理想的选择。
那么，除了线程和进程，还有其他解决方案吗?
免费源码下载(责任编辑：数据库)
