IterableDataset 的 __iter__ 必须返回真正迭代器，而 requests.get 返回响应对象非迭代器；需在 __iter__ 内用 requests.Session 流式请求、异常容错、逐条 yield 样本，并注意多进程下分页分流或改用 IterDataPipe。
IterableDataset 为什么不能直接接 requests.get
因为 IterableDataset 的 __iter__ 方法必须返回一个**真正的迭代器对象**（支持 next()、可被 for 消费），而 requests.get(url).text 是一次性加载全部响应体的字符串，requests.get(url, stream=True) 返回的 Response 对象本身不是迭代器——它只是支持按块读取，但你需要自己封装成 yield 风格。
常见错误是写成这样：
def __iter__(self):
r = requests.get(self.url, stream=True)
return r.iter_lines() # ❌ 表面像迭代器，但实际可能解码失败、丢首行、乱码、没处理 chunked 编码边界
- HTTP 流式响应可能含 chunked transfer encoding，
iter_lines()在某些编码/换行组合下会截断或合并数据 - 没有重试、超时、连接复用控制，爬虫易被封或卡死
- 无法按需触发新请求（比如翻页、分页 API），
IterableDataset期望的是“无限可拉取”的源头，不是单次 HTTP 响应
怎么构造真正可持续 yield 的数据流
核心思路：把“爬取逻辑”下沉到 __iter__ 内部，每次 yield 一条清洗后的样本（dict 或 tuple），而不是先攒一批再返回 list。
示例场景：抓取某新闻 API 的 JSON 流（每行一个 JSON 对象，类似 JSONL）：
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
class NewsStreamDataset(torch.utils.data.IterableDataset):
def __init__(self, base_url: str, max_pages: int = 100):
self.base_url = base_url
self.max_pages = max_pages
<pre class="brush:php;toolbar:false;">def __iter__(self):
session = requests.Session()
session.headers.update({"User-Agent": "Mozilla/5.0"})
for page in range(1, self.max_pages + 1):
try:
r = session.get(f"{self.base_url}?page={page}", timeout=10)
r.raise_for_status()
data = r.json() # 假设返回 {"items": [...]}
for item in data.get("items", []):
# 清洗：只取需要字段，转类型，过滤空值
if not item.get("title") or not item.get("content"):
continue
yield {
"title": item["title"].strip(),
"content": item["content"][:2048], # 截断防 OOM
"label": int(item.get("category_id", 0))
}
except (requests.RequestException, ValueError, KeyError) as e:
# 不 raise！跳过当前页，继续下一页，保证流不断
continue
- 用
requests.Session()复用 TCP 连接，显著提升吞吐 - 每个
yield是一个样本，PyTorch DataLoader 会自动批量化，无需你做collate_fn特殊处理（除非字段不齐） - 异常捕获粒度在“页”级别，避免单条失败导致整个 dataloader 崩溃
和 MapDataset 混用时的坑：shuffle 和 worker 问题
IterableDataset 默认不支持 shuffle=True（因为无长度、不可随机索引），但你在多进程 DataLoader 中仍可能遇到诡异重复或漏样本。
- 如果开了
num_workers > 0，每个 worker 会独立调用一次__iter__——意味着每页被请求 4 次（worker=4 时） - 解决方法一：在
__iter__开头加torch.utils.data.get_worker_info()分流，例如按 worker_id 取模分页 - 解决方法二：改用
torchdata.datapipes.iter.IterDataPipe（PyTorch 2.0+），它原生支持 fork、shuffle、sharding，比手写IterableDataset更可靠 - 千万别在
__init__里预抓数据存 list —— 这就退化成 MapDataset，失去流式意义，且内存爆炸
何时该放弃 requests 改用 aiohttp 或 scrapy
当你的爬取目标有以下特征时，同步 requests 会成为瓶颈：
- 单域名并发请求数 > 10，CPU 等在
recv上（I/O wait 高） - 需要登录态维持 + JS 渲染（得上 Playwright / Selenium，但它们和 IterableDataset 天然冲突）
- 反爬强（需轮换代理、headers、延时），手动控制节奏太碎
这时推荐：用 aiohttp 写一个异步生产者队列，再用 threading.Queue 桥接到 __iter__；或者干脆把爬虫和训练拆成两个进程，用 Redis 或文件队列中转 JSONL。硬塞进 IterableDataset 只会让问题更隐蔽。
流式的核心不是“代码里有 yield”，而是“内存驻留样本数可控、失败不影响后续、吞吐能随硬件线性增长”。很多团队卡在这一步，其实是把“爬虫逻辑”和“数据管道逻辑”混在了一起。
