Python迭代器的核心是迭代协议，即实现__iter__()和__next__()方法；可迭代对象仅需__iter__()返回迭代器，而迭代器必须同时实现二者并维护状态、抛出StopIteration。
Python迭代器的核心在于理解 迭代协议 —— 即对象只要实现了 __iter__() 和 __next__() 方法，就能被 for 循环、next() 等消费。它不是语法糖，而是 Python 迭代行为的底层契约。
迭代器 vs 可迭代对象：关键区分
可迭代对象（如 list、str、dict、range）只须实现 __iter__()，返回一个迭代器；迭代器自身必须同时具备 __iter__()（通常返回 self）和 __next__()（返回下一个值或抛出 StopIteration）。
常见误区：误以为 list 本身是迭代器——其实它是可迭代对象，每次调用 iter(list) 才生成新的迭代器。
手动实现一个迭代器：掌握控制流逻辑
写一个从 1 累加到 n 的迭代器，能清晰看到状态维护与边界处理：
class CountUp:
def __init__(self, n):
self.n = n
self.current = 1
def __iter__(self):
return self # 迭代器自身可被迭代
def __next__(self):
if self.current > self.n:
raise StopIteration
value = self.current
self.current += 1
return value使用
for i in CountUp(3):
print(i) # 输出 1, 2, 3
if self.current > self.n:
raise StopIteration
value = self.current
self.current += 1
return value-
__next__必须显式管理状态（如self.current） - 到达终点时必须抛出
StopIteration，不能返回None或静默退出 -
__iter__返回self是让该对象支持多次遍历（但注意：本例中它是一次性耗尽的，如需重复使用，应在__iter__中重置状态）
生成器：更简洁的迭代器写法
用 yield 定义的函数会自动返回生成器对象（即迭代器），Python 替你封装了状态保存、异常处理和暂停恢复逻辑。
def count_up_gen(n):
for i in range(1, n+1):
yield i
等价于上面的 CountUp 类，但代码量少、不易出错
gen = count_up_gen(3)
print(next(gen)) # 1
print(next(gen)) # 2
- 生成器函数首次调用不执行逻辑，只返回生成器对象
- 每次
next()调用才运行到下一个yield，并保存局部变量上下文 - 函数自然结束时，自动生成
StopIteration
实战场景：文件逐行读取 + 链式过滤
避免一次性加载大文件到内存，用迭代器组合实现内存友好的数据流水线：
def read_lines(filename):
with open(filename) as f:
for line in f: # 文件对象本身就是迭代器
yield line.rstrip('\n')
def non_empty(lines):
for line in lines:
if line.strip():
yield line
def long_lines(lines, min_len=10):
for line in lines:
if len(line) >= min_len:
yield line
组合使用（惰性求值，无中间列表）
for line in long_lines(non_empty(read_lines('data.txt'))):
print(repr(line))
- 每层都是迭代器，数据逐个流动，内存占用恒定
- 整个链路在
for启动时才开始执行，未用到的数据永不计算 - 可轻松替换某环节（如换成正则过滤），不影响其他逻辑
