Python生成器最适合处理大数据流、无限序列或需逐个产出结果的场景，核心优势是按需计算、节省内存；它不一次性构建完整序列，而是每次调用时生成一个值，用完即弃。
Python生成器最适合处理大数据流、无限序列或需要逐个产出结果的场景，核心优势在于按需计算、节省内存——它不一次性构建完整序列，而是每次调用时才生成一个值，用完即弃。
适合用生成器的典型场景
• 遍历超大文件或数据流：比如逐行读取GB级日志文件，用生成器替代readlines()，避免把全部内容载入内存。
• 实现无限序列：如斐波那契数列、素数生成、时间戳流等，生成器可“无限产数”，而列表会立刻崩溃。
• 管道式数据处理：多个生成器函数串联（如 filter → transform → batch），形成内存友好的数据处理流水线。
• API分页拉取：封装分页请求逻辑，每次yield一页数据，调用方无需关心翻页细节，也不用缓存所有响应。
生成器为什么更省内存？关键在“延迟求值”
普通列表：[x*2 for x in range(1000000)] 会立刻创建含100万个整数的列表，占用约8MB内存（粗略估算）。
对应生成器：(x*2 for x in range(1000000)) 只保存迭代逻辑和当前状态，初始内存占用不到1KB。
本质区别：
• 列表是“物化容器”，所有元素真实存在；
• 生成器是“计算协议”，只记“下一步怎么算”，不存历史结果。
注意：生成器是一次性消耗品
• 生成器对象只能被迭代一次，第二次遍历时为空 —— 它不是数据容器，而是执行过程。
• 若需多次使用，要么重新调用生成器函数，要么转为列表（但会失去内存优势）。
• 调试时别直接打印生成器对象（只会看到<generator object ...>），要用list(gen)或循环查看，但仅限小数据量。
简单对比：列表推导式 vs 生成器表达式
• 创建开销：
列表：nums = [i for i in range(10**6)] → 立即分配内存，耗时明显。
生成器：nums = (i for i in range(10**6)) → 几乎瞬时完成，无实际数据生成。
• 使用时机：
需要随机访问、反复遍历、求长度 → 用列表。
只需顺序遍历、单次消费、数据量大 → 用生成器。
