如何做自己的业务网站/网站测试
对于一个列表，a = [1, 2, 3, 4]，我们最常见的遍历方式就是：
a = [1, 2, 3, 4]for item ina:print item
这里我们研究一种新的方式，就是迭代器。
在C++的STL中大量使用了迭代器，迭代器的作用当然就是遍历容器中的元素，而且他的好处就在于分离了容器的实现和遍历操作，不管我们使用什么类型的容器，使用迭代器的操作几乎是如出一辙。
看下面的代码：
>>> a = [2, 3, 4]>>> it =iter(a)>>> printit.next()2
>>> printit.next()3
>>> printit.next()4
>>> printit.next()
Traceback (most recent call last):
File"", line 1, in StopIteration>>>
在上面的代码中，iter函数创建了一个可以迭代的对象，然后每次调用next方法，都能从其中取出元素。当没有元素可以迭代时，便抛出一个异常StopIteration。
所以我们上面的for循环可以这样改写：
a = [1, 2, 3, 4]
it=iter(a)
item=NonewhileTrue:try:
item=it.next()exceptStopIteration:break
print item #do_something
如何创建迭代器
现在我们想对我们自定义的class进行迭代操作，应该怎么办？
这里的关键是实现__iter__和next两个函数。
#!/usr/bin/env python#coding: utf-8
classIterList:def __init__(self, elem):
self.iter=iter(elem)def __iter__(self):returnselfdefnext(self):returnself.iter.next()if __name__ == '__main__':
a= [1, 2, 3, 4]
test=IterList(a)for item intest:print item
这里我们仅仅是对class内部持有的元素做了一个包装，我们的__iter__返回的是自身，next则是调用的存储的iter的next方法。
现在我们提供一个稍微复杂的版本，这个版本可以允许向next函数传递参数，指定取出几个值。
#!/usr/bin/env python#coding: utf-8
classIterList:def __init__(self, elem):
self.iter=iter(elem)def __iter__(self):returnselfdef next(self, howmany=1):
result=[]for i inrange(howmany):try:
result.append(self.iter.next())exceptStopIteration:raise
returnresultif __name__ == '__main__':
s= range(20)
test=IterList(s)printtest.next()printtest.next()print test.next(3)
这个例子能够让我们更加清晰的认识到next函数的工作原理。
用迭代器实现斐波那契数列
我们再给出最后一个关于斐波那契数列的例子：
对于斐波那契数列，我们可以这样实现：
deffab(max):
n, a, b= 0, 0, 1L=[]while n
L.append(b)
a, b= b, a +b
n= n + 1
returnLif __name__ == '__main__':for i in fab(5):print i
上面的fab函数返回一个列表，记录斐波那契数列的值。
但是，当max过大的时候，fab就必须生成一个巨大的列表，这不仅占用大量内存，也会消耗过多的时间。
下面我们使用迭代器，给出一个更加高效的实现：
classFab(object):def __init__(self, max):
self.max=max
self.n, self.a, self.b= 0, 0, 1
def __iter__(self):returnselfdefnext(self):if self.n
r=self.b
self.a, self.b= self.b, self.a +self.b
self.n= self.n + 1
returnrraiseStopIteration()if __name__ == '__main__':for i in Fab(5):print i
这个版本高效在何处？
之前的版本是预先把一个巨大的结果生成，然后逐个去遍历，而这里调用Fab时，仅仅做了一个简单的初始化工作，真正的计算则是发生在每次迭代调用next的时候。所以这里不会占用过大的内存，而且不需要预先计算，也节约了时间。