好程序员Python培训分享深入理解yield from语法，当你看到这一篇的时候，请确保你对生成器的知识，有一定的了解。当然不了解，也没有关系，你只要花个几分钟的时间，来看下我上一篇文章，就能够让你认识生成器，入门协程了。

再次提醒：
本系列所有的代码均在Python3下编写，也建议大家尽快投入到Python3的怀抱中来。

本文目录

• 为什么要使用协程
• yield from的用法详解
• 为什么要使用yield from

. 为什么要使用协程

在上一篇中，我们从生成器的基本认识与使用，成功过渡到了协程。

但一定有许多人，只知道协程是个什么东西，但并不知道为什么要用协程？换句话来说，并不知道在什么情况下用协程？
它相比多线程来说，有哪些过人之处呢？

在开始讲yield from 之前，我想先解决一下这个给很多人带来困惑的问题。

举个例子。
假如我们做一个爬虫。我们要爬取多个网页，这里简单举例两个网页(两个spider函数)，获取HTML（耗IO耗时），然后再对HTML对行解析取得我们感兴趣的数据。

我们的代码结构精简如下：

def spider_01(url):

    html = get_html(url)

    ...

    data = parse_html(html)

def spider_02(url):

    html = get_html(url)

    ...

    data = parse_html(html)

我们都知道，get_html()等待返回网页是非常耗IO的，一个网页还好，如果我们爬取的网页数据极其庞大，这个等待时间就非常惊人，是极大的浪费。

聪明的程序员，当然会想如果能在get_html()这里暂停一下，不用傻乎乎地去等待网页返回，而是去做别的事。等过段时间再回过头来到刚刚暂停的地方，接收返回的html内容，然后还可以接下去解析parse_html(html)。

利用常规的方法，几乎是没办法实现如上我们想要的效果的。所以Python想得很周到，从语言本身给我们实现了这样的功能，这就是yield语法。可以实现在某一函数中暂停的效果。

试着思考一下，假如没有协程，我们要写一个并发程序。可能有以下问题

1）使用最常规的同步编程要实现异步并发效果并不理想，或者难度极高。
2）由于GIL锁的存在，多线程的运行需要频繁的加锁解锁，切换线程，这极大地降低了并发性能；

而协程的出现，刚好可以解决以上的问题。它的特点有

1. 协程是在单线程里实现任务的切换的
2. 利用同步的方式去实现异步
3. 不再需要锁，提高了并发性能

. yield from的用法详解

yield from 是在Python3.3才出现的语法。所以这个特性在Python2中是没有的。

yield from 后面需要加的是可迭代对象，它可以是普通的可迭代对象，也可以是迭代器，甚至是生成器。

简单应用：拼接可迭代对象

我们可以用一个使用yield和一个使用yield from的例子来对比看下。

使用yield

# 字符串astr='ABC'# 列表alist=[1,2,3]# 字典adict={"name":"wangbm","age":18}# 生成器agen=(i for i in range(4,8))

def gen(*args, **kw):

    for item in args:

        for i in item:

            yield i

new_list=gen(astr, alist, adict， agen)print(list(new_list))# ['A', 'B', 'C', 1, 2, 3, 'name', 'age', 4, 5, 6, 7]

使用yield from

# 字符串astr='ABC'# 列表alist=[1,2,3]# 字典adict={"name":"wangbm","age":18}# 生成器agen=(i for i in range(4,8))

def gen(*args, **kw):

    for item in args:

        yield from item

new_list=gen(astr, alist, adict, agen)print(list(new_list))# ['A', 'B', 'C', 1, 2, 3, 'name', 'age', 4, 5, 6, 7]

由上面两种方式对比，可以看出，yield from后面加上可迭代对象，他可以把可迭代对象里的每个元素一个一个的yield出来，对比yield来说代码更加简洁，结构更加清晰。

复杂应用：生成器的嵌套

如果你认为只是 yield from 仅仅只有上述的功能的话，那你就太小瞧了它，它的更强大的功能还在后面。

当 yield from 后面加上一个生成器后，就实现了生成的嵌套。

当然实现生成器的嵌套，并不是一定必须要使用yield from，而是使用yield from可以让我们避免让我们自己处理各种料想不到的异常，而让我们专注于业务代码的实现。
如果自己用yield去实现，那只会加大代码的编写难度，降低开发效率，降低代码的可读性。既然Python已经想得这么周到，我们当然要好好利用起来。

讲解它之前，首先要知道这个几个概念

1、调用方：调用委派生成器的客户端（调用方）代码
2、委托生成器：包含yield from表达式的生成器函数
3、子生成器：yield from后面加的生成器函数

你可能不知道他们都是什么意思，没关系，来看下这个例子。

这个例子，是实现实时计算平均值的。
比如，diyi次传入10，那返回平均数自然是10.
第二次传入20，那返回平均数是(10+20)/2=15
第三次传入30，那返回平均数(10+20+30)/3=20

# 子生成器def average_gen():

    total = 0

    count = 0

    average = 0

    while True:

        new_num = yield average

        count += 1

        total += new_num

        average = total/count

# 委托生成器def proxy_gen():

    while True:

        yield from average_gen()

# 调用方def main():

    calc_average = proxy_gen()

    next(calc_average)            # 预激下生成器

    print(calc_average.send(10))  # 打印：10.0

    print(calc_average.send(20))  # 打印：15.0

    print(calc_average.send(30))  # 打印：20.0

if __name__ == '__main__':

    main()

认真阅读以上代码，你应该很容易能理解，调用方、委托生成器、子生成器之间的关系。我就不多说了

委托生成器的作用是：在调用方与子生成器之间建立一个双向通道。

所谓的双向通道是什么意思呢？
调用方可以通过send()直接发送消息给子生成器，而子生成器yield的值，也是直接返回给调用方。

你可能会经常看到有些代码，可以在yield from前面看到可以赋值。这是什么用法？

你可能会以为，子生成器yield回来的值，被委托生成器给拦截了。你可以亲自写个demo运行试验一下，并不是你想的那样。
因为我们之前说了，委托生成器，只起一个桥梁作用，它建立的是一个双向通道，它并没有权利也没有办法，对子生成器yield回来的内容做拦截。

为了解释这个用法，我还是用上述的例子，并对其进行了一些改造。添加了一些注释，希望你能看得明白。

按照惯例，我们还是举个例子。

# 子生成器def average_gen():

    total = 0

    count = 0

    average = 0

    while True:

        new_num = yield average

        if new_num is None:

            break

        count += 1

        total += new_num

        average = total/count

    # 每一次return，都意味着当前协程结束。

    return total,count,average

# 委托生成器def proxy_gen():

    while True:

        # 只有子生成器要结束（return）了，yield from左边的变量才会被赋值，后面的代码才会执行。

        total, count, average = yield from average_gen()

        print("计算完毕！！\n总共传入 {} 个数值， 总和：{}，平均数：{}".format(count, total, average))

# 调用方def main():

    calc_average = proxy_gen()

    next(calc_average)            # 预激协程

    print(calc_average.send(10))  # 打印：10.0

    print(calc_average.send(20))  # 打印：15.0

    print(calc_average.send(30))  # 打印：20.0

    calc_average.send(None)      # 结束协程

    # 如果此处再调用calc_average.send(10)，由于上一协程已经结束，将重开一协程

if __name__ == '__main__':

    main()

运行后，输出

10.015.020.0计算完毕！！总共传入 3 个数值， 总和：60，平均数：20.0

. 为什么要使用yield from

学到这里，我相信你肯定要问，既然委托生成器，起到的只是一个双向通道的作用，我还需要委托生成器做什么？我调用方直接调用子生成器不就好啦？

高能预警~~~

下面我们来一起探讨一下，到底yield from 有什么过人之处，让我们非要用它不可。

因为它可以帮我们处理异常

如果我们去掉委托生成器，而直接调用子生成器。那我们就需要把代码改成像下面这样，我们需要自己捕获异常并处理。而不像使yield from那样省心。

# 子生成器# 子生成器def average_gen():

    total = 0

    count = 0

    average = 0

    while True:

        new_num = yield average

        if new_num is None:

            break

        count += 1

        total += new_num

        average = total/count

    return total,count,average

# 调用方def main():

    calc_average = average_gen()

    next(calc_average)            # 预激协程

    print(calc_average.send(10))  # 打印：10.0

    print(calc_average.send(20))  # 打印：15.0

    print(calc_average.send(30))  # 打印：20.0

    # ----------------注意-----------------

    try:

        calc_average.send(None)

    except StopIteration as e:

        total, count, average = e.value

        print("计算完毕！！\n总共传入 {} 个数值， 总和：{}，平均数：{}".format(count, total, average))

    # ----------------注意-----------------

if __name__ == '__main__':

    main()

此时的你，可能会说，不就一个StopIteration的异常吗？自己捕获也没什么大不了的。

你要是知道yield from在背后为我们默默无闻地做了哪些事，你就不会这样说了。

具体yield from为我们做了哪些事，可以参考如下这段代码。

#一些说明"""_i：子生成器，同时也是一个迭代器_y：子生成器生产的值_r：yield from 表达式最终的值_s：调用方通过send()发送的值_e：异常对象"""

_i = iter(EXPR)

try:

    _y = next(_i)except StopIteration as _e:

    _r = _e.value

else:

    while 1:

        try:

            _s = yield _y

        except GeneratorExit as _e:

            try:

                _m = _i.close

            except AttributeError:

                pass

            else:

                _m()

            raise _e

        except BaseException as _e:

            _x = sys.exc_info()

            try:

                _m = _i.throw

            except AttributeError:

                raise _e

            else:

                try:

                    _y = _m(*_x)

                except StopIteration as _e:

                    _r = _e.value

                    break

        else:

            try:

                if _s is None:

                    _y = next(_i)

                else:

                    _y = _i.send(_s)

            except StopIteration as _e:

                _r = _e.value

                breakRESULT = _r

以上的代码，稍微有点复杂，有兴趣的同学可以结合以下说明去研究看看。

1. 迭代器（即可指子生成器）产生的值直接返还给调用者
2. 任何使用send()方法发给委派生产器（即外部生产器）的值被直接传递给迭代器。如果send值是None，则调用迭代器next()方法；如果不为None，则调用迭代器的send()方法。如果对迭代器的调用产生StopIteration异常，委派生产器恢复继续执行yield from后面的语句；若迭代器产生其他任何异常，则都传递给委派生产器。
3. 子生成器可能只是一个迭代器，并不是一个作为协程的生成器，所以它不支持.throw()和.close()方法,即可能会产生AttributeError 异常。
4. 除了GeneratorExit 异常外的其他抛给委派生产器的异常，将会被传递到迭代器的throw()方法。如果迭代器throw()调用产生了StopIteration异常，委派生产器恢复并继续执行，其他异常则传递给委派生产器。
5. 如果GeneratorExit异常被抛给委派生产器，或者委派生产器的close()方法被调用，如果迭代器有close()的话也将被调用。如果close()调用产生异常，异常将传递给委派生产器。否则，委派生产器将抛出GeneratorExit 异常。
6. 当迭代器结束并抛出异常时，yield from表达式的值是其StopIteration 异常中的diyi个参数。
7. 一个生成器中的return expr语句将会从生成器退出并抛出 StopIteration(expr)异常。

没兴趣看的同学，只要知道，yield from帮我们做了很多的异常处理，而且全面，而这些如果我们要自己去实现的话，一个是编写代码难度增加，写出来的代码可读性极差，这些我们就不说了，最主要的是很可能有遗漏，只要哪个异常没考虑到，都有可能导致程序崩溃什么的。