def spider_01(url):
    html = get_html(url)
    ...
    data = parse_html(html)

def spider_02(url):
    html = get_html(url)
    ...
    data = parse_html(html)

我們都知道，get_html()等待返回網頁是非常耗IO的，一個網頁還好，如果我們爬取的網頁數(shù)據極其龐大，這個等待時間就非常驚人，是極大的浪費。

聰明的程序員，當然會想如果能在get_html()這里暫停一下，不用傻乎乎地去等待網頁返回，而是去做別的事。等過段時間再回過頭來到剛剛暫停的地方，接收返回的html內容，然后還可以接下去解析parse_html(html)。

利用常規(guī)的方法，幾乎是沒辦法實現(xiàn)如上我們想要的效果的。所以Python想得很周到，從語言本身給我們實現(xiàn)了這樣的功能，這就是yield語法?？梢詫崿F(xiàn)在某一函數(shù)中暫停的效果。

試著思考一下，假如沒有協(xié)程，我們要寫一個并發(fā)程序?？赡苡幸韵聠栴}

1. 使用最常規(guī)的同步編程要實現(xiàn)異步并發(fā)效果并不理想，或者難度極高。

2. 由于GIL鎖的存在，多線程的運行需要頻繁的加鎖解鎖，切換線程，這極大地降低了并發(fā)性能；

而協(xié)程的出現(xiàn)，剛好可以解決以上的問題。它的特點有

1. 協(xié)程是在單線程里實現(xiàn)任務的切換的

2. 利用同步的方式去實現(xiàn)異步

3. 不再需要鎖，提高了并發(fā)性能

2. yield from的用法詳解

yield from 是在Python3.3才出現(xiàn)的語法。所以這個特性在Python2中是沒有的。

yield from 后面需要加的是可迭代對象，它可以是普通的可迭代對象，也可以是迭代器，甚至是生成器。

2.1 簡單應用：拼接可迭代對象

我們可以用一個使用yield和一個使用yield from的例子來對比看下。

使用yield

# 字符串
astr='ABC'
# 列表
alist=[1,2,3]
# 字典
adict={"name":"wangbm","age":18}
# 生成器
agen=(i for i in range(4,8))
def gen(*args, **kw):
    for item in args:
        for i in item:
            yield i
new_list=gen(astr, alist, adict, agen)
print(list(new_list))
# ['A', 'B', 'C', 1, 2, 3, 'name', 'age', 4, 5, 6, 7]

使用yield from

# 字符串
astr='ABC'
# 列表
alist=[1,2,3]
# 字典
adict={"name":"wangbm","age":18}
# 生成器
agen=(i for i in range(4,8))
def gen(*args, **kw):
    for item in args:
        yield from item
new_list=gen(astr, alist, adict, agen)
print(list(new_list))
# ['A', 'B', 'C', 1, 2, 3, 'name', 'age', 4, 5, 6, 7]

由上面兩種方式對比，可以看出，yield from后面加上可迭代對象，他可以把可迭代對象里的每個元素一個一個的yield出來，對比yield來說代碼更加簡潔，結構更加清晰。

2.2 復雜應用：生成器的嵌套

如果你認為只是 yield from 僅僅只有上述的功能的話，那你就太小瞧了它，它的更強大的功能還在后面。

當 yield from 后面加上一個生成器后，就實現(xiàn)了生成的嵌套。

當然實現(xiàn)生成器的嵌套，并不是一定必須要使用yield from，而是使用yield from可以讓我們避免讓我們自己處理各種料想不到的異常，而讓我們專注于業(yè)務代碼的實現(xiàn)。

如果自己用yield去實現(xiàn)，那只會加大代碼的編寫難度，降低開發(fā)效率，降低代碼的可讀性。既然Python已經想得這么周到，我們當然要好好利用起來。

講解它之前，首先要知道這個幾個概念 >1、調用方：調用委派生成器的客戶端（調用方）代碼 >2、委托生成器：包含yield from表達式的生成器函數(shù) >3、子生成器：yield from后面加的生成器函數(shù)

你可能不知道他們都是什么意思，沒關系，來看下這個例子。

這個例子，是實現(xiàn)實時計算平均值的。比如，第一次傳入10，那返回平均數(shù)自然是10. 第二次傳入20，那返回平均數(shù)是(10+20)/2=15 第三次傳入30，那返回平均數(shù)(10+20+30)/3=20

# 子生成器
def average_gen():
    total = 0
    count = 0
    average = 0
    while True:
        new_num = yield average
        count += 1
        total += new_num
        average = total/count

# 委托生成器
def proxy_gen():
    while True:
        yield from average_gen()

# 調用方
def main():
    calc_average = proxy_gen()
    next(calc_average)            # 預激下生成器
    print(calc_average.send(10))  # 打?。?0.0
    print(calc_average.send(20))  # 打?。?5.0
    print(calc_average.send(30))  # 打?。?0.0

if __name__ == '__main__':
    main()

認真閱讀以上代碼，你應該很容易能理解，調用方、委托生成器、子生成器之間的關系。我就不多說了

委托生成器的作用是：在調用方與子生成器之間建立一個雙向通道。

所謂的雙向通道是什么意思呢？調用方可以通過send()直接發(fā)送消息給子生成器，而子生成器yield的值，也是直接返回給調用方。

你可能會經?？吹接行┐a，還可以在yield from前面看到可以賦值。這是什么用法？

你可能會以為，子生成器yield回來的值，被委托生成器給攔截了。你可以親自寫個demo運行試驗一下，并不是你想的那樣。因為我們之前說了，委托生成器，只起一個橋梁作用，它建立的是一個雙向通道，它并沒有權利也沒有辦法，對子生成器yield回來的內容做攔截。

為了解釋這個用法，我還是用上述的例子，并對其進行了一些改造。添加了一些注釋，希望你能看得明白。

按照慣例，我們還是舉個例子。

# 子生成器
def average_gen():
    total = 0
    count = 0
    average = 0
    while True:
        new_num = yield average
        if new_num is None:
            break
        count += 1
        total += new_num
        average = total/count
    # 每一次return，都意味著當前協(xié)程結束。
    return total,count,average
# 委托生成器
def proxy_gen():
    while True:
        # 只有子生成器要結束（return）了，yield from左邊的變量才會被賦值，后面的代碼才會執(zhí)行。
        total, count, average = yield from average_gen()
        print("計算完畢?。n總共傳入 {} 個數(shù)值， 總和：{}，平均數(shù)：{}".format(count, total, average))
# 調用方
def main():
    calc_average = proxy_gen()
    next(calc_average)            # 預激協(xié)程
    print(calc_average.send(10))  # 打?。?0.0
    print(calc_average.send(20))  # 打?。?5.0
    print(calc_average.send(30))  # 打印：20.0
    calc_average.send(None)      # 結束協(xié)程
    # 如果此處再調用calc_average.send(10)，由于上一協(xié)程已經結束，將重開一協(xié)程
if __name__ == '__main__':
    main()

運行后，輸出

10.0
15.0
20.0
計算完畢?。?br />總共傳入 3 個數(shù)值，總和：60，平均數(shù)：20.0

3. 為什么要使用yield from

學到這里，我相信你肯定要問，既然委托生成器，起到的只是一個雙向通道的作用，我還需要委托生成器做什么？我調用方直接調用子生成器不就好啦？

高能預警~~~

下面我們來一起探討一下，到底yield from 有什么過人之處，讓我們非要用它不可。

3.1 因為它可以幫我們處理異常

如果我們去掉委托生成器，而直接調用子生成器。那我們就需要把代碼改成像下面這樣，我們需要自己捕獲異常并處理。而不像使yield from那樣省心。

# 子生成器
# 子生成器
def average_gen():
    total = 0
    count = 0
    average = 0
    while True:
        new_num = yield average
        if new_num is None:
            break
        count += 1
        total += new_num
        average = total/count
    return total,count,average
# 調用方
def main():
    calc_average = average_gen()
    next(calc_average)            # 預激協(xié)程
    print(calc_average.send(10))  # 打?。?0.0
    print(calc_average.send(20))  # 打?。?5.0
    print(calc_average.send(30))  # 打?。?0.0
    # ----------------注意-----------------
    try:
        calc_average.send(None)
    except StopIteration as e:
        total, count, average = e.value
        print("計算完畢?。n總共傳入 {} 個數(shù)值， 總和：{}，平均數(shù)：{}".format(count, total, average))
    # ----------------注意-----------------
if __name__ == '__main__':
    main()

此時的你，可能會說，不就一個StopIteration的異常嗎？自己捕獲也沒什么大不了的。

你要是知道yield from在背后為我們默默無聞地做了哪些事，你就不會這樣說了。

具體yield from為我們做了哪些事，可以參考如下這段代碼。

#一些說明
"""
_i：子生成器，同時也是一個迭代器
_y：子生成器生產的值
_r：yield from 表達式最終的值
_s：調用方通過send()發(fā)送的值
_e：異常對象
"""
_i = iter(EXPR)
try:
    _y = next(_i)
except StopIteration as _e:
    _r = _e.value
else:
    while 1:
        try:
            _s = yield _y
        except GeneratorExit as _e:
            try:
                _m = _i.close
            except AttributeError:
                pass
            else:
                _m()
            raise _e
        except BaseException as _e:
            _x = sys.exc_info()
            try:
                _m = _i.throw
            except AttributeError:
                raise _e
            else:
                try:
                    _y = _m(*_x)
                except StopIteration as _e:
                    _r = _e.value
                    break
        else:
            try:
                if _s is None:
                    _y = next(_i)
                else:
                    _y = _i.send(_s)
            except StopIteration as _e:
                _r = _e.value
                break
RESULT = _r

以上的代碼，稍微有點復雜，有興趣的同學可以結合以下說明去研究看看。

迭代器（即可指子生成器）產生的值直接返還給調用者
任何使用send()方法發(fā)給委派生產器（即外部生產器）的值被直接傳遞給迭代器。如果send值是None，則調用迭代器next()方法；如果不為None，則調用迭代器的send()方法。如果對迭代器的調用產生StopIteration異常，委派生產器恢復繼續(xù)執(zhí)行yield from后面的語句；若迭代器產生其他任何異常，則都傳遞給委派生產器。
子生成器可能只是一個迭代器，并不是一個作為協(xié)程的生成器，所以它不支持.throw()和.close()方法,即可能會產生AttributeError 異常。
除了GeneratorExit 異常外的其他拋給委派生產器的異常，將會被傳遞到迭代器的throw()方法。如果迭代器throw()調用產生了StopIteration異常，委派生產器恢復并繼續(xù)執(zhí)行，其他異常則傳遞給委派生產器。
如果GeneratorExit異常被拋給委派生產器，或者委派生產器的close()方法被調用，如果迭代器有close()的話也將被調用。如果close()調用產生異常，異常將傳遞給委派生產器。否則，委派生產器將拋出GeneratorExit 異常。
當?shù)鹘Y束并拋出異常時，yield from表達式的值是其StopIteration 異常中的第一個參數(shù)。
一個生成器中的return expr語句將會從生成器退出并拋出 StopIteration(expr)異常。

沒興趣看的同學，只要知道，yield from幫我們做了很多的異常處理，而且全面，而這些如果我們要自己去實現(xiàn)的話，一個是編寫代碼難度增加，寫出來的代碼可讀性極差，這些我們就不說了，最主要的是很可能有遺漏，只要哪個異常沒考慮到，都有可能導致程序崩潰什么的

到此這篇關于深入了解Python中yield from語法的使用的文章就介紹到這了,更多相關Python yield from語法內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: