Python自定义迭代器：从入门到精通

目录

一、迭代器协议的核心要求

二、第一个自定义迭代器：生成指定范围的偶数

使用这个迭代器

三、深入理解：迭代器的工作原理

[1. 为什么__iter__()必须返回 self？](#1. 为什么__iter__()必须返回 self？)

[2. 迭代器的 "一次性" 特性](#2. 迭代器的 "一次性" 特性)

[3. 如何实现可多次遍历的 "可迭代对象"？](#3. 如何实现可多次遍历的 "可迭代对象"？)

四、实用自定义迭代器示例

[示例 1：逆序遍历列表的迭代器](#示例 1：逆序遍历列表的迭代器)

[示例 2：无限斐波那契数列迭代器](#示例 2：无限斐波那契数列迭代器)

[示例 3：分批处理数据的迭代器](#示例 3：分批处理数据的迭代器)

五、更简单的方式：生成器（Generator）

生成器的优势

生成器表达式

[六、手动实现 vs 生成器：如何选择？](#六、手动实现 vs 生成器：如何选择？)

七、自定义迭代器的常见坑

八、总结：自定义迭代器的步骤

自定义迭代器的核心是严格遵守 Python 迭代器协议 。只要一个类实现了__iter__()和__next__()这两个特殊方法，它的实例就是一个合法的迭代器。

一、迭代器协议的核心要求

任何自定义迭代器都必须满足以下两个条件：

__iter__(self) ：必须返回迭代器对象本身（return self）。这是为了让迭代器可以直接用在for循环等接受可迭代对象的地方。
__next__(self) ：
- 返回序列中的下一个元素
- 更新内部状态，指向下一个元素
- 当没有更多元素时，必须抛出StopIteration异常

二、第一个自定义迭代器：生成指定范围的偶数

我们从最简单的例子开始，实现一个能生成从start到end之间所有偶数的迭代器：

python 复制代码

class EvenIterator:
    def __init__(self, start, end):
        # 初始化迭代器的状态
        self.current = start if start % 2 == 0 else start + 1  # 确保从偶数开始
        self.end = end

    def __iter__(self):
        # 迭代器必须返回自己
        return self

    def __next__(self):
        if self.current > self.end:
            # 没有更多元素，抛出异常终止迭代
            raise StopIteration
        # 保存当前值
        result = self.current
        # 更新状态，指向下一个偶数
        self.current += 2
        # 返回当前值
        return result

使用这个迭代器

python 复制代码

# 创建迭代器实例
even_iter = EvenIterator(1, 10)

# 1. 使用next()手动遍历
print(next(even_iter))  # 输出：2
print(next(even_iter))  # 输出：4
print(next(even_iter))  # 输出：6

# 2. 直接用for循环遍历（自动处理next()和StopIteration）
for num in EvenIterator(1, 10):
    # end控制每个输出的数用空格隔开，默认是换行'\n'
    print(num, end=' ')  # 输出：2 4 6 8 10

三、深入理解：迭代器的工作原理

1. 为什么`iter()`必须返回 self？

因为 Python 中所有接受 "可迭代对象" 的地方（for循环、list()、sum()等），都会先调用iter(对象)获取迭代器。

如果__iter__()返回的不是 self，那么for循环拿到的就是另一个对象，而不是我们的迭代器本身，迭代逻辑就会失效。

2. 迭代器的 "一次性" 特性

迭代器的状态是不可逆的，一旦遍历到末尾，就无法再从头开始：

python 复制代码

even_iter = EvenIterator(1, 10)

# 第一次遍历：正常输出
print(list(even_iter))  # 输出：[2, 4, 6, 8, 10]

# 第二次遍历：空列表！
print(list(even_iter))  # 输出：[]

这是因为第一次遍历后，self.current已经变成了 12，再调用next()会直接抛出StopIteration。

3. 如何实现可多次遍历的 "可迭代对象"？

如果需要多次遍历，应该将可迭代对象 和迭代器分开实现：

可迭代对象：实现__iter__()，每次返回一个新的迭代器实例
迭代器：实现__iter__()和__next__()

python 复制代码

# 可迭代对象（可以多次遍历）
class EvenNumbers:
    def __init__(self, start, end):
        self.start = start
        self.end = end

    def __iter__(self):
        # 每次调用iter()都返回一个新的迭代器
        return EvenIterator(self.start, self.end)

# 现在可以多次遍历了
evens = EvenNumbers(1, 10)
print(list(evens))  # 输出：[2, 4, 6, 8, 10]
print(list(evens))  # 输出：[2, 4, 6, 8, 10]

四、实用自定义迭代器示例

示例 1：逆序遍历列表的迭代器

python 复制代码

class ReverseIterator:
    def __init__(self, data):
        self.data = data
        self.index = len(data)  # 从最后一个元素的下一个位置开始

    def __iter__(self):
        return self

    def __next__(self):
        if self.index == 0:
            raise StopIteration
        self.index -= 1
        return self.data[self.index]

# 使用
for char in ReverseIterator('hello'):
    print(char, end=' ')  # 输出：o l l e h

示例 2：无限斐波那契数列迭代器

这是迭代器最强大的应用之一 ------ 生成无限序列：

python 复制代码

class FibonacciIterator:
    def __init__(self):
        self.a = 0
        self.b = 1

    def __iter__(self):
        return self

    def __next__(self):
        result = self.a
        self.a, self.b = self.b, self.a + self.b
        return result

# 使用：按需生成，永远不会结束
fib = FibonacciIterator()
for _ in range(15):
    print(next(fib), end=' ')  # 输出：0 1 1 2 3 5 8 13 21 34 55 89 144 233 377

示例 3：分批处理数据的迭代器

python 复制代码

class BatchIterator:
    def __init__(self, data, batch_size):
        self.data = data
        self.batch_size = batch_size
        self.index = 0

    def __iter__(self):
        return self

    def __next__(self):
        if self.index >= len(self.data):
            raise StopIteration
        # 计算当前批次的结束位置
        end = self.index + self.batch_size
        # 切片获取当前批次
        batch = self.data[self.index:end]
        # 更新索引
        self.index = end
        return batch

# 使用
data = list(range(100))
for batch in BatchIterator(data, 10):
    print(f"处理批次：{batch}")
    # 在这里处理每一批数据

五、更简单的方式：生成器（Generator）

手动实现__iter__()和__next__()虽然清晰，但比较繁琐。Python 提供了生成器，可以用更简洁的语法创建迭代器。

生成器使用yield关键字，自动实现了迭代器协议：

python 复制代码

# 生成器函数：等价于上面的EvenIterator
def even_generator(start, end):
    current = start if start % 2 == 0 else start + 1
    while current <= end:
        yield current  # 暂停执行，返回当前值
        current += 2

# 使用方式和迭代器完全一样
for num in even_generator(1, 10):
    print(num, end=' ')  # 输出：2 4 6 8 10

生成器的优势

代码更简洁：不需要定义类和两个特殊方法
自动管理状态：Python 会自动保存函数的执行状态
可读性更高：逻辑更直观，更容易理解

生成器表达式

对于简单的迭代逻辑，还可以使用生成器表达式，这是创建迭代器的最简洁方式：

python 复制代码

# 生成器表达式：等价于even_generator(1, 10)
even_gen = (x for x in range(1, 11) if x % 2 == 0)

print(list(even_gen))  # 输出：[2, 4, 6, 8, 10]

六、手动实现 vs 生成器：如何选择？

实现方式	优点	缺点	适用场景
手动实现迭代器	完全控制迭代逻辑，灵活性最高	代码繁琐，容易出错	复杂的迭代逻辑、需要维护复杂状态
生成器函数	代码简洁，可读性高，自动管理状态	灵活性稍低	大多数场景，尤其是中等复杂度的迭代逻辑
生成器表达式	最简洁，一行代码搞定	只能实现简单逻辑	简单的转换、过滤操作

七、自定义迭代器的常见坑

忘记在__next__()中抛出StopIteration：会导致无限循环
__iter__()没有返回 self：迭代器无法用在 for 循环中
迭代器状态没有正确更新：会导致重复返回同一个元素或跳过元素
试图多次遍历同一个迭代器：第二次遍历会得到空结果

八、总结：自定义迭代器的步骤

定义一个类
在__init__()方法中初始化迭代器的状态
实现__iter__()方法，返回 self
实现__next__()方法：
- 检查是否还有更多元素
- 如果没有，抛出StopIteration
- 如果有，计算并返回当前元素
- 更新内部状态，指向下一个元素

总而言之：自定义迭代器是 Python 迭代机制的底层核心，通过遵守迭代器协议，我们可以实现高效、灵活的数据遍历。生成器是简化版的自定义迭代器，适用于大多数场景；而手动实现类则提供了最高的灵活性，满足复杂的迭代需求。