Python生成器和迭代器是节省内存的核心工具，通过按需生成元素处理大数据；迭代器实现__iter__和__next__方法，生成器是含yield的函数，自动生成迭代器；生成器表达式用()更省内存。
Python生成器和迭代器是处理大量数据时节省内存的核心工具。它们不一次性把所有数据加载进内存，而是按需产生或返回元素，特别适合处理大文件、无限序列或计算开销大的场景。
什么是迭代器（Iterator）
迭代器是一个实现了__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。
- 列表、字符串、字典等内置类型都是可迭代对象（Iterable），但不是迭代器本身
- 必须显式调用iter()才能获得迭代器
- for循环底层就是自动调用iter()和next()
什么是生成器（Generator）
生成器是一种特殊的迭代器，用函数+yield关键字定义。每次执行到yield就暂停并返回一个值，下次从暂停处继续执行。
- 函数中只要含有yield，调用它就返回生成器对象，不立即执行函数体
- 生成器自动实现__iter__和__next__，无需手动编写
- 比普通函数更省内存，尤其适合逐行读大文件、生成斐波那契数列等场景
生成器表达式：更简洁的写法
类似列表推导式，但用小括号()包裹，返回生成器对象而非列表。
立即学习“Python免费学习笔记（深入）”；
- (x**2 for x in range(1000000))只占几十字节内存；而[x**2 for x in range(1000000)]会占用上百MB
- 不能重复遍历，用完即丢，如需多次使用应转为列表（但会失去内存优势）
- 支持链式调用，比如sum(x for x in data if x > 0)，避免中间列表
实际应用小技巧
用生成器处理大文件或流式数据最能体现价值：
- 逐行读取超大日志文件：def read_log(filename):
with open(filename) as f:
for line in f:
yield line.strip() - 过滤+转换一次完成：valid_emails = (line for line in read_log('users.txt') if '@' in line)
- 配合itertools模块做切片、分组、合并，避免提前耗尽生成器
