参考：、等
一个带有 yield 的函数就是一个 generator，它和普通函数不同，生成一个 generator 看起来像函数调用，但不会执行任何函数代码，直到对其调用 next()（在 for 循环中会自动调用 next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。
yield 的好处是显而易见的，把一个函数改写为一个 generator 就获得了迭代能力，比起用类的实例保存状态来计算下一个 next() 的值，不仅代码简洁，而且执行流程异常清晰。
首先看range和xrange：
for i in range(1000): pass
上面代码会生成一个 含有1000 个元素的 List，而代码：
for i in xrange(1000): pass
则是在每次迭代中返回下一个数值，内存空间占用很小。因为 xrange 不返回 List，而是返回一个生成器，（List是一种迭代对象）。
一个迭代对象可以通过调用iter方法返回一个iterator对象，然后进行for loop访问：
class Iterable_: def __iter__(self): return iter([1, 2, 3]) it = iter((Iterable_())) for i in it: print "iterable:" + str(i) #输出 iterable:1 iterable:2 iterable:3
range：
a = range(0,5) print type(a) #输出print a #输出 [0,1,2,3,4]print a[0], a[1] #输出 0, 1
xrange:
a = xrange(0,5) print type(a) #输出print a #输出 xrange(5)print a[0], a[1] #输出 0, 1
迭代器肯定是iterable类型的对象，它是包含有next(Python 2) 方法或者__next__(Python 3) 方法和__iter__（返回self）方法的一个特殊对象。对于一个生成器它一定是一个迭代器可以通过for loop进行访问其中的元素，但是一个迭代器却不一定是生成器。
斐波那契數列（Fibonacci）
1. 最普通的：
def fab(max): n, a, b = 0, 0, 1 while n < max: print b a, b = b, a + b n = n + 1
2. 为了提高 fab 函数的可重用性，最好返回一个 List如下：
def fab(max): n, a, b = 0, 0, 1 L = [] while n < max: L.append(b) a, b = b, a + b n = n + 1 return L for n in fab(5): print n
3. 该函数在运行中占用的内存会随着参数 max 的增大而增大，所以最好不要用 List来保存中间结果，而是通过 iterable 对象来迭代，利用 iterable 我们可以把 fab 函数改写为一个支持 iterable 的 class：
class Fab(object): def __init__(self, max): self.max = max self.n, self.a, self.b = 0, 0, 1 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration()
Fab 类通过 next() 不断返回数列的下一个数，内存占用始终为常数：
>>> for n in Fab(5): ... print n ...
4. 但是使用 class 改写的这个版本，代码远远没有第一版的 fab 函数来得简洁。使用yield：
def fab(max): n, a, b = 0, 0, 1 while n < max: yield b # print b a, b = b, a + b n = n + 1
和第一版相比，仅仅把 print b 改为了 yield b，调用也没什么变化：
>>> for n in fab(5): ... print n ... 1 1 2 3 5
yield 的作用就是把一个函数变成一个 generator，Python 解释器会将其视为一个 generator，调用 fab(5) 不会执行 fab 函数，而是返回一个 iterable 对象！在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield b 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield b 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。
也可以手动调用 fab(5) 的 next() 方法（因为 fab(5) 是一个 generator 对象，该对象具有 next() 方法），这样我们就可以更清楚地看到 fab 的执行流程：
>>> f = fab(5) >>> f.next() >>> f.next() >>> f.next() >>> f.next() >>> f.next() >>> f.next() Traceback (most recent call last): File "", line 1, in StopIteration
当函数执行结束时，generator 自动抛出 StopIteration 异常，表示迭代完成。在 for 循环里，无需处理 StopIteration 异常，循环会正常结束。
6. 何判断一个函数是否是一个特殊的 generator 函数？可以利用 isgeneratorfunction 判断：
>>> from inspect import isgeneratorfunction >>> isgeneratorfunction(fab) True
7. 要注意区分 fab 和 fab(5)，fab 是一个 generator function，而 fab(5) 是调用 fab 返回的一个 generator，好比类的定义和类的实例的区别：
>>> import types >>> isinstance(fab, types.GeneratorType) False >>> isinstance(fab(5), types.GeneratorType) True
fab 是无法迭代的，而 fab(5) 是可迭代的：
>>> from collections import Iterable >>> isinstance(fab, Iterable) False >>> isinstance(fab(5), Iterable) True
每次调用 fab 函数都会生成一个新的 generator 实例，各实例互不影响：
>>> f1 = fab(3) >>> f2 = fab(5) >>> print 'f1:', f1.next() f1: 1 >>> print 'f2:', f2.next() f2: 1 >>> print 'f1:', f1.next() f1: 1 >>> print 'f2:', f2.next() f2: 1 >>> print 'f1:', f1.next() f1: 2 >>> print 'f2:', f2.next() f2: 2 >>> print 'f2:', f2.next() f2: 3 >>> print 'f2:', f2.next() f2: 5
return 的作用
在一个 generator function 中，如果没有 return，则默认执行至函数完毕，如果在执行过程中 return，则直接抛出 StopIteration 终止迭代。
另一个例子
另一个 yield 的例子来源于文件读取。如果直接对文件对象调用 read() 方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取：
def read_file(fpath): BLOCK_SIZE = 1024 with open(fpath, 'rb') as f: while True: block = f.read(BLOCK_SIZE) if block: yield block else: return
以上仅仅简单介绍了 yield 的基本概念和用法，yield 在 Python 3 中还有更强大的用法