python中row是什么意思_一文搞懂Python中的yield
关注公众号「Python七号」，及时 get Python 技能。
yield 可以实现生成器，可以实现协程。 什么是生成器，什么是协程，如果还不了解，可以继续往下看，概念可以不懂，只要理解它的作用和效果也可以的。
先翻一下英文单词 yield 的意思：
to produce or provide sth, for example a profit, result or crop
中文意思：出产(作物)；产生(收益、效益等)；提供。
yield 实现生成器
初学 Python 之时，我遇到 yield 关键字时，就把它理解为一种特殊的 return，能看懂就行，自己也很少用，也就没有深入研究过。直到现在，我需要处理大量数据，数据的大小甚至超过了电脑的可用内存，此时我想起来 yield。比如，我操作 db2 数据库查询数据，当数据的结果很大时，我不想一下子读入内存，我就使用了 yield 关键字返回一行数据，程序处理完后，再取下一行：
def read(self, sql, params=()):
stmt = ibm_db.prepare(self.connection, sql)
for index, param in enumerate(params):
ibm_db.bind_param(stmt, index + 1, param)
ibm_db.execute(stmt)
row = ibm_db.fetch_tuple(stmt)
while row:
yield row
row = ibm_db.fetch_tuple(stmt)
可以这么来理解关键字 yield 的用法：它返回了一个值，但程序并未退出，下一次从 yield 后面的代码继续运行，直到后面没有代码，结束运行。这里我们举一个简单的例子看下效果：
>>> def iter_fun():
... print("a")
... yield 1
... print("b")
... yield 2
... print("c")
... yield 3
...
>>> iter_fun()
>>> for i in iter_fun():
... print(i)
...
a
1
b
2
c
3
>>> x = iter_fun()
>>> x.__next__()
a
1
>>> x.__next__()
b
2
>>> x.__next__()
c
3
>>> x.__next__()
Traceback (most recent call last):
File "", line 1, in
StopIteration
通过上面的例子，我们可以发现，yield 关键字自动为我们生成来私有方法 __next__ ，这样不会将所有数据取出来存入内存中，用多少取多少，可以节省内存空间。
除此之外，yield 再数据量较大时，执行速度也会提升:
In [14]: def normal_fun(num):
...: result = []
...: for i in range(0,num):
...: if i%2 == 0:
...: result.append(i)
...: return result
...:
In [14]: def iter_fun(num):
...: for i in range(0,num):
...: if i %2 == 0:
...: yield i
...:
In [15]: %time for i in iter_fun(1000000): a = i
CPU times: user 97 ms, sys: 2.55 ms, total: 99.6 ms
Wall time: 97.2 ms
In [16]: %time for i in normal_fun(1000000): a = i
CPU times: user 115 ms, sys: 13.6 ms, total: 129 ms
Wall time: 128 ms
In [17]: %time for i in normal_fun(100000000): a = i
CPU times: user 10.8 s, sys: 668 ms, total: 11.4 s
Wall time: 11.4 s
In [18]: %time for i in iter_fun(100000000): a = i
CPU times: user 9.1 s, sys: 6.49 ms, total: 9.11 s
Wall time: 9.12 s
上述代码再 Ipython 终端中执行，可以看出使用 yield 的函数，执行的速度更快。
yield 是自己实现一个生成器最便捷的方式。 而 Python 语言的生成器是最有用的特性之一，也是使用不广泛的特性，我曾问过周围用 java 的朋友又没有类似的特性，答曰没有，网上搜了下，确实主流的编程语言都没有，因此 Python 的生成器特性没有引起其他语言转 Python 的工程师的关注。
为什么说生成器非常有用呢？
当你需要处理的数据大小超过你电脑的可用内存时，生成器的懒加载(用的时才读入内存)就非常有效。
比如读文件时，如果你使用下面的方式，文件特别大的话，可能内存一下子就满了：
with open("file.txt","r") as reader:
for line in reader.readlines():
#do something
pass
推荐的做法是使用文件本身的生成器，这样读多大的文件，也不会撑爆内存：
with open("file.txt","r") as reader:
for line in reader:
#do something
pass
其实我们可以看一下 reader 到底有哪些方法：
>>> with open("/etc/passwd","r") as reader:
... dir(reader)
...
['_CHUNK_SIZE', '__class__', '__del__', '__delattr__', '__dict__', '__dir__', '__doc__', '__enter__', '__eq__', '__exit__', '__format__', '__ge__', '__getattribute__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__', '__ne__', '__new__', '__next__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '_checkClosed', '_checkReadable', '_checkSeekable', '_checkWritable', '_finalizing', 'buffer', 'close', 'closed', 'detach', 'encoding', 'errors', 'fileno', 'flush', 'isatty', 'line_buffering', 'mode', 'name', 'newlines', 'read', 'readable', 'readline', 'readlines', 'reconfigure', 'seek', 'seekable', 'tell', 'truncate', 'writable', 'write', 'write_through', 'writelines']
>>>
我们可以看到，这里面有一个 __next__ 方法和一个 __next__ 方法，这两个方法是生成器的标志。
想深入学习生成器，迭代器，可迭代对象，可以看我以前的推文：
yield 可以实现协程
yield 关键字还可以实现协程，虽然现在有来 asyncio 和 await 关键字来方便的实现协程，在此之前，实现协程就靠的是 yield。
yield 有一个 send 方法，可以改变 yield 的返回值，是这样用的，先看代码：
In [20]: def fun():
...: print("a")
...: a = yield 1
...: print("b")
...: print("a = ",a)
...: b = yield a
...: print("c")
...: print("b = ",b)
...:
In [21]: x = fun()
In [22]: x.__next__()
a
Out[22]: 1
In [23]: x.send(4)
b
a = 4
Out[23]: 4
In [24]: x.send(5)
c
b = 5
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
in
----> 1 x.send(5)
第一次执行 x 的 next 方法时，函数执行到第一个 yield 处，打印了 a 返回了值 1，此时变量 a 并未获取到 yield 的返回值，a 为 None ，当执行 x.send(4) 时，a 才获取到值 4，程序运行到第二个 yield 处，后续过程也是一样。
利用这一特性，我们可以和被调用的函数通信，进而可以实现一个生产者消费者模型，代码如下：
import time
def consume():
r = ''
while True:
n = yield r
if not n:
return
print('[consumer] consuming%s...' % n)
time.sleep(1)
r = 'well received'
def produce(c):
next(c)
n = 0
while n < 5:
n = n + 1
print('[producer] producing%s...' % n)
r = c.send(n)
print('[producer] consumer return:%s' % r)
c.close()
if __name__=='__main__':
c = consume()
produce(c)
运行结果如下：
[producer] producing 1...
[consumer] consuming 1...
[producer] consumer return: well received
[producer] producing 2...
[consumer] consuming 2...
[producer] consumer return: well received
[producer] producing 3...
[consumer] consuming 3...
[producer] consumer return: well received
[producer] producing 4...
[consumer] consuming 4...
[producer] consumer return: well received
[producer] producing 5...
[consumer] consuming 5...
[producer] consumer return: well received
produce 和 consume 函数在一个线程内执行，通过调用 send 方法和yield 互相切换，实现协程的功能。
关于协程的学习，可以看我以前的推文：
如果您对文章感兴趣，请微信搜索「Python七号」并关注，第一时间获取一手原创干货。