本文转载自微信公众号「小菜学编程」，作者fasionchan。转载本文请联系小菜学编程公众号。
基本用法
我们知道，函数体包含 yield 关键字的函数不是一个普通函数。这种函数叫做 生成器 ( generator )，一般用于循环处理结构，应用得当可以极大优化内存使用效率。例如，设计一个函数，打开文件并将每一行转成大写并返回：
- def read_file_upper(path):
- lines = []
- with open(path) as f:
- for line in f:
- lines.append(line.upper())
- return lines
这个版本的函数，在内部创建了一个 list 对象，用于保存转换结果。for 循环则遍历文件每一行，将其转成大写并追加到列表中。这样一来，文件中的每一行均需要保存在列表中，如果文件很大，内存开销可想而知。
我们可以借助 yield 关键字，将 read_file_upper 函数改成生成器版本。函数主体逻辑没有任何变化，只是将每行数据的处理结果通过 yield 逐个返回，而不是收集到 list 对象后再返还。
- def iter_file_upper(path):
- with open(path) as f:
- for line in f:
- yield line.upper()
如果现在有一个文本文件 data.txt ，里面包含以下内容：
- hello, world
- life is short, use python
- my wechat id is: coding-fan
- bye
用 iter_file_upper 生成器，我们可以这样对它进行处理：
- >>> for line in iter_file_upper('text.txt'):
- ... print(line.strip())
- HELLO, WORLD
- LIFE IS SHORT, USE PYTHON
- MY WECHAT ID IS: CODING-FAN
- BYE
iter_file_upper 生成器用法与 read_file_upper 函数大致相同，但它不会一次性拿住文件所有数据行，而是逐行处理、逐个返回，这样便将内存使用量降到最低。
行为观察
那么，生成器为什么会有这样的奇效呢?我们接着观察：
- >>> g = iter_file_upper('text.txt')
- >>> g
- <generator object iter_file_upper at 0x103becd68>
我们调用 iter_file_upper 后，得到一个生成器对象，而不是文件处理结果，这时 iter_file_upper 还未开始执行。
当我们调用 next 函数从生成器接收下一个数据时，iter_file_upper 开始执行并在 yield 处停下来，并把第一行的处理结果返回给我们：
- >>> next(g)
- 'HELLO, WORLD\n'
这时，生成器处于暂停状态，没有我们的指令，它不会接着处理第二行数据。
当我们再次执行 next 函数时，生成器再次恢复执行，处理下一行数据并在 yield 处再次暂停：
- >>> next(g)
- 'LIFE IS SHORT, USE PYTHON\n'
生成器记住了自己的执行进度，每次调用 next 函数，它总是处理并生产下一个数据，完全不用我们瞎操心：
- >>> next(g)
- 'MY WECHAT ID IS: CODING-FAN\n'
- >>> next(g)
- 'BYE\n'
当 iter_file_upper 代码逻辑执行完毕，它将给 next 抛一个异常，以此通知调用者它已经结束了：
- >>> next(g)
- Traceback (most recent call last):
- File "<stdin>", line 1, in <module>
- StopIteration
因此，我们可以简单认为 for-in 循环在 Python 虚拟机内部是这样实现的：
- 不断调用 next 函数让生成器产出数据;
- 直到生成器抛出 StopIteration 异常;
在经典的线程模型中，每个线程有一个独立的执行流，只能执行一个任务。如果一个程序需要同时处理多个任务，可以借助 多进程 或者 多线程 技术。假设一个站点需要同时服务多个客户端连接，可以为每个连接创建一个独立的线程进行处理。
不管线程还是进程，切换时都会带来巨大的开销：用户态/内核态切换、执行上下文保存和恢复、CPU缓存刷新等等。因此，用线程或进程来驱动小任务的执行，显然不是一个理想的选择。
那么，除了线程和进程，还有其他解决方案吗?
