Python中迭代器和生成器实现懒加载以节省内存，迭代器需实现__iter__和__next__方法，生成器函数用yield简化编写并自动支持状态暂停与恢复。
Python 中的迭代器和生成器是实现懒加载、节省内存的关键工具，尤其在处理大数据流、无限序列或资源受限场景时优势明显。它们不一次性把所有数据装入内存，而是按需产出，让程序更轻量、更可控。
迭代器是实现了 __iter__() 和 __next__() 方法的对象。调用 iter() 得到迭代器，反复调用 next() 获取下一个值，直到抛出 StopIteration 异常为止。
自定义迭代器适合封装有明确状态和逻辑的数据遍历过程。例如，读取大文件时逐行迭代，避免一次性读入全部内容：
class LineReader:
def __init__(self, filepath):
self.filepath = filepath
def __iter__(self):
return self
def __next__(self):
try:
if not hasattr(self, 'file'):
self.file = open(self.filepath, 'r', encoding='utf-8')
line = self.file.readline()
if not line:
raise StopIteration
return line.rstrip('\n')
except StopIteration:
self.file.close()
del self.file
raise
for line in LineReader('huge.log'): 即可安全遍历生成器函数使用 yield 关键字返回值，Python 自动将其编译为迭代器对象。它比手写迭代器更简洁、不易出错，且天然支持暂停/恢复执行状态。
典型场景：生成斐波那契数列、过滤日志、解析流式 JSON：
def fibonacci(max_count):
a, b, count = 0, 1, 0
while count < max_count:
yield a
a, b = b, a + b
count += 1
使用方式完全一致
for n in fibonacci(1000000): # 不会创建百万元素列表
if n > 1000:
break
print(n)
yield 让函数变成生成器工厂，调用时不执行，只返回生成器对象next() 触发时，从上次 yield 暂停处继续运行生成器可以像 Unix 管道一样串联，形成清晰、低耦合的数据处理链。每一步都保持懒加载，整条链仍只占用常量内存。
def read_lines(filepath):
with open(filepath) as f:
for line in f:
yield line.strip()
def filter_nonempty(lines):
for line in lines:
if line:
yield line
def parse_json_lines(lines):
import json
for line in lines:
try:
yield json.loads(line)
except json.JSONDecodeError:
continue
组合使用（无中间列表）
for obj in parse_json_lines(filter_nonempty(read_lines('data.jsonl'))):
process(obj) # 每次只处理一个解析后的对象
itertools（如 islice, chain, filterfalse）进一步增强表达力生成器强大但不是万能解药。实际使用中需注意几个关键点：
itertools.islice(gen, 5) 查看前几项yield from 支持委
托子生成器，async def + await 是异步生成器演进方向