前言
旁边的实习生非常苦恼的问：我每次遇到yield都会困惑，看一次相关博客就感觉好像懂了，但是时间一长又完全记不清了，它不像方法中的return很常用，知道就是用来结束方法，并返回值的。
我：那说明你每次看完博客，认为自己理解了，其实依然处于一知半解，这里需要你有思维上的一个转变。我们接下来，就用通俗易懂的案例帮你一次性彻底理解。
一句话概括
yield 是用来造"生成器"的，它让函数变成一个"懒惰的工厂"，只在你需要的时候，才生产一个产品，而不是一口气全做好。
先回忆一下 return
python
def get_numbers():
result = []
for i in range(5):
result.append(i)
return result # 一次性返回所有结果
nums = get_numbers()
print(nums) # [0, 1, 2, 3, 4]这个函数像一个勤劳的厨师：你点单后，他先把5个菜全做完，装在一个盘子里，然后一次性端给你。
但如果要生成 100 万个数字呢？他得先把 100 万个数字全做好，再给你 ------ 这很浪费内存。
现在，yield 上场了
python
def get_numbers_yield():
for i in range(5):
yield i # 每次只给你一个，不一口气全做
gen = get_numbers_yield()
print(gen) # <generator object get_numbers_yield at 0x...>这时候你拿到的 gen 不是一个列表，而是一个"生成器对象"------ 它像是一个懒惰的厨师，你不说"下一个"，他就不做菜。
你什么时候说"下一个"？用 next()：
python
print(next(gen)) # 0
print(next(gen)) # 1
print(next(gen)) # 2或者用 for 循环（它自动帮你调用 next）：
python
for num in get_numbers_yield():
print(num) # 依次打印 0, 1, 2, 3, 4yield 的关键点：暂停和恢复
yield 最神奇的地方是：函数执行到 yield 时会"暂停"，记住当前状态，下次调用时从暂停的地方继续。
我们加点打印来看：
python
def my_generator():
print("Step 1")
yield "A"
print("Step 2")
yield "B"
print("Step 3")
yield "C"
gen = my_generator()
print("第一次调用：")
print(next(gen)) # 打印 Step 1，然后返回 "A"
print("第二次调用：")
print(next(gen)) # 打印 Step 2，然后返回 "B"
print("第三次调用：")
print(next(gen)) # 打印 Step 3，然后返回 "C"看到了吗？函数不是一次性跑完的，而是一步步走，走一步停一下，等你叫它才继续。
return vs yield 对比
| 特性 | return | yield |
|---|---|---|
| 返回值 | 一次性返回所有结果 | 每次返回一个，可以多次 |
| 函数状态 | 返回后函数结束，状态丢失 | 暂停，记住状态，下次继续 |
| 内存占用 | 高（全存下来） | 低（只生成一个） |
| 返回类型 | 通常是列表等 | 生成器对象（可迭代） |
| 使用场景 | 结果小，需要全部使用 | 大数据、流式处理、节省内存 |
举个生活例子：流水线工人
想象你在工厂流水线上：
- return：工人把1000个零件全组装好，堆成一堆给你。
- yield：工人每次只组装一个，放到传送带上，你拿一个，他再做下一个。
如果零件很大，堆一堆会占满仓库（内存爆炸）------ 所以 yield 更"聪明"。
通俗易懂的代码示例
🌟 场景 1：处理大数据，节省内存（最常用！）
问题：你想生成 1 亿个数字，但内存不够。
解决：用 yield 按需生成，不占内存。
python
# bad：用 return + list ------ 内存爆炸！
def big_list():
result = []
for i in range(1000000): # 100万已经很大了
result.append(i)
return result
# good：用 yield ------ 内存几乎为0
def big_generator():
for i in range(1000000):
yield i
# 测试
gen = big_generator()
# 只取前5个
for i, num in enumerate(gen):
if i >= 5:
break
print(num) # 输出 0, 1, 2, 3, 4✅ 适用：读大文件、数据库大批量数据、日志处理等。
🌟 场景 2：逐行读取大文件（经典案例）
问题：一个 10GB 的日志文件，不能一次性读进内存。
解决：用 yield 一行一行读。
python
def read_large_file(filename):
with open(filename, 'w') as f: # 先创建测试文件
for i in range(10):
f.write(f"日志行 {i}: 用户登录\n")
# 真正的读取函数
with open(filename, 'r') as f:
for line in f:
yield line.strip()
# 测试
for log in read_large_file('test.log'):
print("处理:", log)运行后你会看到：
python
处理: 日志行 0: 用户登录
处理: 日志行 1: 用户登录✅ 适用：任何大文件处理。
🌟 场景 3：无限序列生成器
问题：你想生成无限的斐波那契数列、自然数等。
解决：yield 可以"无限产出"。
python
def fibonacci():
a, b = 0, 1
while True:
yield a
a, b = b, a + b
# 只取前10个
fib = fibonacci()
for _ in range(10):
print(next(fib), end=' ') # 0 1 1 2 3 5 8 13 21 34✅ 适用：数学序列、ID 生成、游戏资源生成等。
🌟 场景 4：模拟状态机 / 分步流程
问题：你想实现一个多步骤的流程，比如"登录 → 验证 → 成功"。
解决：用 yield 分步返回。
python
def login_flow():
yield "步骤1: 请输入用户名"
username = yield "步骤2: 请输入密码"
if username == "admin":
yield "步骤3: 登录成功！"
else:
yield "步骤3: 用户名错误！"
# 测试
flow = login_flow()
print(next(flow)) # 步骤1
print(next(flow)) # 步骤2
print(next(flow)) # 步骤3（成功或失败）输出：
python
步骤1: 请输入用户名
步骤2: 请输入密码
步骤3: 登录成功！✅ 适用：向导流程、游戏关卡、审批流程等。
🌟 场景 5：合并多个数据源（管道）
问题：你想从多个地方读数据，像流水线一样处理。
解决：用 yield from 或多个生成器串联。
python
def source1():
yield "A"
yield "B"
def source2():
yield "X"
yield "Y"
def combined():
yield from source1() # 把 source1 的所有 yield 拿过来
yield from source2()
# 测试
for item in combined():
print(item) # A, B, X, Y✅ 适用：数据聚合、ETL（抽取-转换-加载）、日志合并等。
🌟 场景 6：实时数据推送（Web 流）
问题：你想在网页上实时显示时间、股票价格等。
解决：用 yield + StreamingResponse（FastAPI 示例）
python
# 安装：pip install fastapi uvicorn
from fastapi import FastAPI
from fastapi.responses import StreamingResponse
import time
app = FastAPI()
def generate_time_stream():
for _ in range(5):
yield f"data: 当前时间: {time.strftime('%H:%M:%S')}\n\n"
time.sleep(1)
@app.get("/time")
async def time_stream():
return StreamingResponse(
generate_time_stream(),
media_type="text/event-stream"
)
# 运行：uvicorn script_name:app --reload
# 然后浏览器访问 http://localhost:8000/time你会看到时间一秒一秒地更新！
✅ 适用：SSE（Server-Sent Events）、实时监控、聊天室等。
🌟 场景 7：协程 / 生成器通信（高级用法）
问题：你想让生成器接收外部数据。
解决：用 send() 方法。
python
def accumulator():
total = 0
while True:
value = yield total # yield 返回当前 total，并接收新值
if value is not None:
total += value
# 测试
acc = accumulator()
print(next(acc)) # 0（启动生成器）
print(acc.send(10)) # 10
print(acc.send(5)) # 15
print(acc.send(-3)) # 12✅ 适用：状态维护、计算器、游戏得分系统等。
7 种消费生成器的方法
✅ 核心前提：生成器（generator）是一个迭代器（iterator），所以所有能处理"可迭代对象"或"迭代器"的方式，都可以用来消费生成器。
| 方法 | 说明 | 是否推荐 | 示例 |
|---|---|---|---|
| for循环 | 最常用、最直观 | ⭐⭐⭐⭐⭐ | for |
| next()函数 | 手动控制，一次一个 | ⭐⭐⭐⭐☆ | next(gen) |
| 内置函数：list()/tuple()/set() | 一次性转成容器 | ⭐⭐⭐☆☆ | list(gen) |
| 解包操作* | 展开成参数或列表 | ⭐⭐⭐☆☆ | [*gen] |
| 传递给需要迭代器的函数 | 如sum(),max(),any()等 | ⭐⭐⭐⭐☆ | sum(gen) |
| 作为参数传给函数（如print(*gen)） | 结合解包使用 | ⭐⭐⭐☆☆ | print(*gen) |
| 用于流式响应（如StreamingResponse） | Web中的SSE、文件下载等 | ⭐⭐⭐⭐⭐ | return StreamingResponse(gen) |