以下是Python生成器(Generator)常见问题的详细解答，涵盖使用中的典型疑惑和解决方案：

一、基础问题

1. 生成器只能遍历一次吗？

答：是的，生成器是一次性对象，遍历完后需重新创建：

def gen():
    yield 1
    yield 2

g = gen()
print(list(g))  # [1, 2]
print(list(g))  # []（已耗尽）

# 解决方案：重新创建生成器
g = gen()  # 新建生成器

2.yield和return能共存吗？

答：可以，但return会终止生成器：

def gen():
    yield 1
    return  # 等同于StopIteration
    yield 2  # 永远不会执行

g = gen()
print(next(g))  # 1
print(next(g))  # 触发StopIteration

二、执行流程问题

3. 生成器何时开始执行？

答：调用生成器函数时不会立即执行，首次next()时启动：

def gen():
    print("开始执行")
    yield 1

g = gen()  # 无输出
next(g)    # 输出"开始执行"

4.yield后程序暂停在哪里？

答：暂停在yield行，下次next()时从下一行继续：

def gen():
    print("A")
    yield 1    # 首次暂停在此
    print("B")  # 下次从这里继续
    yield 2

g = gen()
next(g)  # 输出"A"，返回1
next(g)  # 输出"B"，返回2

三、高级用法问题

5. 如何向生成器发送数据？

答：用send(value)方法，且首次必须发送None：

def gen():
    x = yield "请发送值"
    yield f"收到: {x}"

g = gen()
print(next(g))       # 输出"请发送值"（或g.send(None)）
print(g.send(42))    # 输出"收到: 42"

6. 如何提前终止生成器？

答：使用close()方法或throw()抛出异常：

def gen():
    try:
        yield 1
        yield 2
    except GeneratorExit:
        print("清理资源")

g = gen()
next(g)
g.close()  # 输出"清理资源"

四、实际应用问题

7. 处理大数据时生成器真的省内存吗？

答：确实如此，对比实验：

# 列表方式（内存爆炸）
def get_numbers_list(n):
    return [i for i in range(n)]  # 存储所有数据

# 生成器方式（内存友好）
def get_numbers_gen(n):
    for i in range(n):
        yield i

# 测试
import sys
print(sys.getsizeof(get_numbers_list(10**6)))  # ~8MB
print(sys.getsizeof(get_numbers_gen(10**6)))   # ~128字节

8. 生成器能用于多线程吗？

答：可以，但需注意线程安全：

from threading import Thread

def count_up():
    for i in range(5):
        yield i

def worker(g):
    for num in g:
        print(num)

g = count_up()
Thread(target=worker, args=(g,)).start()
Thread(target=worker, args=(g,)).start()  # 可能产生竞争

五、常见报错解决

9.StopIteration异常如何处理？

答：这是正常行为，for循环会自动捕获：

def gen():
    yield 1

# 手动迭代需处理
g = gen()
try:
    print(next(g))  # 1
    print(next(g))  # 触发StopIteration
except StopIteration:
    print("迭代结束")

10.yield在try-finally中的陷阱

答：finally块在生成器关闭时执行：

def gen():
    try:
        yield 1
    finally:
        print("清理")

g = gen()
next(g)  # 返回1
g.close()  # 输出"清理"

六、设计模式问题

11. 如何实现生成器管道？

答：通过嵌套生成器构建处理链：

def producer():
    yield from range(5)

def transformer(seq):
    for x in seq:
        yield x * 2

def consumer(seq):
    for x in seq:
        print(x)

# 组合管道
consumer(transformer(producer()))  # 输出0,2,4,6,8

12. 生成器能替代列表吗？

答：视场景而定：

• 用生成器：大数据流、一次性遍历、无限序列
• 用列表：需要随机访问、多次遍历、修改内容

七、性能优化

13. 生成器表达式 vs 列表推导式

# 列表推导式（立即计算）
sum([x**2 for x in range(10**6)])  # 内存消耗大

# 生成器表达式（推荐）
sum(x**2 for x in range(10**6))    # 内存友好

14. 避免不必要的生成器嵌套

# 低效写法
nums = (x for x in (y for y in range(10)))

# 高效写法
nums = (x for x in range(10))

掌握这些问题的解决方案后，你将能更自信地使用生成器处理各种场景。生成器是Python中实现惰性计算和内存高效处理的核心工具，特别适合数据流处理和管道式编程。