生成器（Generators）：按需产出，节省内存

你现在可能会困惑什么

“list 已经够用，为什么还要 generator？”

当数据很大时，list 会一次性占内存；generator 边算边给，更适合流式处理。

一句话定义

生成器是包含 yield 的函数，每次迭代返回一个值并保留执行状态。

生活类比

list 像一次搬整箱水回家；generator 像每次喝一瓶再拿下一瓶。

最小可运行例子

def count_up_to(n):
    i = 1
    while i <= n:
        yield i
        i += 1

for x in count_up_to(3):
    print(x)

课堂小测（5 分钟）

1. 写 count_step(start, end, step)。
2. 用 next() 手动取 3 次值。
3. 观察耗尽后行为。

课堂小测参考答案与判分点

• 参考答案方向：能写出可运行代码，并覆盖题目中的核心条件与边界输入。
• 判分点 1（正确性）：主流程结果正确，关键分支可执行。
• 判分点 2（可读性）：变量命名清晰，结构不过度嵌套。
• 判分点 3（健壮性）：对空值、类型错误或异常输入有基础保护。

迁移任务（课后）

实现 read_large_file(path)，逐行 yield 并统计关键词命中数。

本节验收标准

你能独立做到：

• 解释 yield 与 return 区别
• 写出可消费的生成器
• 选择合适场景使用 generator

常见报错与调试步骤（新手版）

• 报错看不懂：先读最后一行错误类型（如 TypeError、NameError），再回到对应代码行定位。
• 不确定变量值：在关键位置临时 print(变量, type(变量))，先确认数据是否符合预期。
• 改了代码却没生效：确认文件已保存、运行的是当前文件、终端环境（venv）是否正确。

常见误区

• 误区：generator 可无限重复遍历。
• 正解：耗尽后需重新创建。