掌握迭代协议与生成器，以恒定的内存惰性处理数据流。
在 Kodokon 中打开本课Python 的 for 不过是一份协议：iter(obj) 索取一个迭代器，随后不断调用 next()，直到抛出 StopIteration 异常。务必区分可迭代对象（比如列表，每次都能交出一个全新的迭代器）和迭代器（那个游标，只能被遍历一次）。理解了这份协议，也就理解了为什么某些对象会 "被消耗掉"。
numbers = [10, 20, 30]
iterator = iter(numbers)
print(next(iterator))
print(next(iterator))
print(next(iterator))
# next(iterator) would raise StopIteration包含 yield 的函数在被调用时并不会执行：它返回一个生成器，也就是一个函数体按需运行的迭代器。每次 next() 都会推进到下一个 yield，执行在那里连同全部局部状态一起被挂起。直接的后果是：无论数据流有多大，内存占用都保持恒定 - 你是逐个产出值，而不是一次性把整个列表实体化出来。
def squares(limit):
n = 0
while n < limit:
yield n * n
n += 1
gen = squares(4)
print(next(gen)) # 0
print(list(gen)) # [1, 4, 9]在生产中最主要的收益是：流水线。每一级消费上一级的数据流，并惰性地产出自己的数据流；在最终的消费动作（list()、sum()、一个 for）之前，什么都不会运行。有一个需要记住的取舍：列表可以被多次遍历、可以切片，生成器则不行；但另一方面，生成器能处理一个 10 GB 的文件而不会撑爆内存。生成器表达式 - (f(x) for x in xs if cond) - 无需定义函数就能覆盖那些简单的处理级。
lines = [" 12 ", "x", " 7", "", "30"]
def clean(rows):
for row in rows:
row = row.strip()
if row.isdigit():
yield int(row)
def keep_from(values, floor):
return (v for v in values if v >= floor)
pipeline = keep_from(clean(lines), 10)
print(list(pipeline)) # [12, 30]