企业官网建设流程全解析

Python 中的迭代器模式（Iterator Pattern）

迭代器模式是一种行为型设计模式，其核心目的是：
提供一种方法顺序访问一个聚合对象（容器）中的各个元素，而又无需暴露该对象的内部表示。

形象比喻：就像翻书——你只需要调用“下一页”操作，就能依次阅读内容，而不需要知道书是怎么装订的、页码怎么存储的。

迭代器模式的优点

• 分离遍历行为与容器：容器只负责存储数据，迭代器负责遍历
• 支持多种遍历方式（正向、反向、过滤等）
• 符合单一职责原则：容器和迭代器各司其职
• 支持惰性加载：只在需要时获取下一个元素

Python 中的特殊之处

Python 语言内置了对迭代器模式的最完美支持，通过迭代协议（Iteration Protocol）实现：

• 任何实现了__iter__()和__next__()方法的对象都是迭代器
• 任何实现了__iter__()方法的对象都是可迭代对象（Iterable）
• for循环、list()、tuple()、sum()等都自动使用迭代器协议

因此，在 Python 中，迭代器模式几乎不需要手动实现，但理解其原理有助于写出更高效、更优雅的代码。

Python 内置迭代器示例

# 列表本身是可迭代对象（Iterable）my_list=[1,2,3,4]# 获取其迭代器it=iter(my_list)# 调用 my_list.__iter__()print(next(it))# 1 调用 it.__next__()print(next(it))# 2print(next(it))# 3print(next(it))# 4# print(next(it)) # 抛出 StopIteration 异常，表示迭代结束

for循环内部就是这样工作的：

foriteminmy_list:print(item)# 等价于：it=iter(my_list)whileTrue:try:item=next(it)print(item)exceptStopIteration:break

手动实现迭代器模式（经典方式）

classReverseIterator:"""反向迭代器"""def__init__(self,data):self.data=data self.index=len(data)# 从末尾开始def__iter__(self):returnselfdef__next__(self):ifself.index==0:raiseStopIteration self.index-=1returnself.data[self.index]classMyCollection:"""容器类"""def__init__(self,items):self.items=itemsdef__iter__(self):returniter(self.items)# 正向迭代（使用内置）defreverse_iter(self):returnReverseIterator(self.items)# 提供反向迭代器# 使用collection=MyCollection([1,2,3,4,5])print("正向遍历：")forxincollection:print(x)print("\n反向遍历：")forxincollection.reverse_iter():print(x)

输出：

正向遍历： 1 2 3 4 5 反向遍历： 5 4 3 2 1

更 Pythonic 的方式：使用生成器（推荐！）

生成器是 Python 中实现迭代器的最简洁方式，使用yield关键字。

defreverse_generator(data):"""生成器函数：反向遍历"""foriinrange(len(data)-1,-1,-1):yielddata[i]deffibonacci_generator(n):"""生成斐波那契数列（惰性计算）"""a,b=0,1for_inrange(n):yielda a,b=b,a+b# 使用data=[1,2,3,4,5]print("反向生成器：")forxinreverse_generator(data):print(x)print("\n斐波那契数列前 10 项：")fornuminfibonacci_generator(10):print(num,end=" ")# 输出：0 1 1 2 3 5 8 13 21 34

生成器自动实现了__iter__()和__next__()，并且支持StopIteration。

内置强大迭代工具：itertools 模块

Python 标准库itertools提供了大量高效的迭代器工具：

importitertools data=[1,2,3]# 无限循环# for x in itertools.cycle(data): ...# 重复元素print(list(itertools.repeat(10,3)))# [10, 10, 10]# 累积print(list(itertools.accumulate([1,2,3,4])))# [1, 3, 6, 10]# 组合print(list(itertools.combinations('ABC',2)))# [('A', 'B'), ('A', 'C'), ('B', 'C')]# 过滤print(list(itertools.takewhile(lambdax:x<5,[1,4,6,7,1])))# [1, 4]# 链式连接print(list(itertools.chain('ABC','DEF')))# ['A', 'B', 'C', 'D', 'E', 'F']

迭代器模式结构总结

迭代器 vs 生成器 vs 可迭代对象

Python 中的实际应用场景

• 文件读取：for line in open('file.txt'):（惰性读取，不一次性加载）
• 数据库查询：ORM 的查询集通常是惰性迭代器
• 数据流处理：处理大数据时避免内存爆炸
• 无限序列：如斐波那契、素数生成器
• zip()、enumerate()、reversed()、sorted()等返回迭代器

最佳实践建议

• 优先使用生成器：写迭代器时，几乎总是用yield而不是手动实现类
• 避免在循环中调用 list()：除非真的需要全部数据，否则保持惰性
• 自定义容器时实现__iter__()：让它支持for循环
• 使用 itertools：解决 90% 的复杂遍历需求

# 推荐：惰性读取大文件defread_large_file(file_path):withopen(file_path)asf:forlineinf:# 每次只读一行yieldline.strip()

总结

在 Python 中，迭代器模式不是“需要实现”的模式，而是**语言核心特性**。
掌握迭代协议和生成器，你就掌握了 Python 中最强大的数据处理工具之一。

如果你想看更高级的例子（如自定义可迭代容器、树结构遍历器、无限迭代器、协程与生成器的结合），或者如何用迭代器实现数据管道（Pipeline），欢迎继续问！