生成器更适合数据流处理，因其按需计算、节省内存：普通函数返回完整列表需全量加载，而生成器用yield逐个产出，天然契合边读边处理的流式场景。
用生成器处理数据流，核心是“按需计算、节省内存”，而不是一次性加载全部数据。尤其在处理大文件、实时日志、传感器流或数据库游标时，生成器能让程序更轻量、响应更快、OOM（内存溢出）风险更低。
为什么生成器更适合数据流处理？
普通函数返回列表，意味着所有结果必须先算完、存进内存，再统一返回；而生成器用 yield 逐个产出值，调用方取一个、它算一个，中间状态自动挂起/恢复。这天然契合“边读边处理”的流式场景。
比如读取一个 10GB 的日志文件：用 readlines() 会直接崩溃；但用生成器逐行 yield，内存占用始终稳定在几 KB。
写一个实用的数据流生成器链
不要把所有逻辑塞进一个生成器。推荐分层设计：源生成器 → 过滤生成器 → 转换生成器 → 汇总生成器。它们可像管道一样组合，清晰、可测、可复用。
立即学习“Python免费学习笔记（深入）”；
-
源层：封装原始输入，如
def lines_from_file(path):，每次 yield 一行 -
过滤层：如
def filter_errors(lines):，跳过非错误日志 -
转换层：如
def parse_log_line(lines):，将字符串转为字典 -
汇总层：如
def count_by_level(parsed):，实时统计错误等级频次
调用时只需 for item in count_by_level(parse_log_line(filter_errors(lines_from_file("app.log")))): —— 看似嵌套，实际是单次遍历，零中间列表。
技术上面应用了三层结构，AJAX框架，URL重写等基础的开发。并用了动软的代码生成器及数据访问类，加进了一些自己用到的小功能，算是整理了一些自己的操作类。系统设计上面说不出用什么模式，大体设计是后台分两级分类，设置好一级之后，再设置二级并选择栏目类型，如内容，列表，上传文件，新窗口等。这样就可以生成无限多个二级分类，也就是网站栏目。对于扩展性来说，如果有新的需求可以直接加一个栏目类型并新加功能操作
注意生成器的“一次性”和状态管理
生成器对象只能迭代一次。重复使用需重新创建，或包装成类支持多次调用。另外，别在生成器里做耗时 I/O 或复杂计算——它会阻塞整个数据流。高频操作（如正则匹配、JSON 解析）尽量用内置或 re.compile 缓存提升效率。
常见陷阱：在 for 循环中反复调用同一个生成器变量，第二次循环为空；正确做法是每次需要新流时，重新调用生成器函数。
配合 itertools 和标准库增强表达力
不用重复造轮子。itertools.islice 可截取前 N 条；itertools.groupby 能按字段分组（注意需预排序）；itertools.chain 合并多个流；itertools.tee 可安全复制生成器用于多路消费（但会缓存已产出项，慎用）。
例如：只处理最新 1000 条错误日志，可用 islice(filter_errors(lines_from_file(...)), 1000)，不读完整文件。
基本上就这些。生成器不是炫技，而是让数据流“活”起来——它不存储，只传导；不等待，只响应。写顺了，你会发现很多“等数据加载完再分析”的惯性思维，其实可以被彻底绕开。
