可迭代对象，可以简单理解为可遍历对象，即能够使用 for 循环遍历的对象。Python中常见的可迭代对象有：列表、元组、字符串、集合、range、字典等。
迭代器和生成器都是可迭代对象。
对于Python中的任意对象，只要它定义了可以返回一个迭代器的 __iter__ 方法，或者定义了可以支持下标索引的 __getitem__ 方法，那么它就是一个可迭代对象。
对可迭代对象使用 __iter__ 方法后，会返回一个迭代器。
如何判断一个对象是否为可迭代对象呢？请看下例。
from collections.abc import Iterable
isinstance([1, 2, 3], Iterable) # True
isinstance((1, 2, 3), Iterable) # True
isinstance('123', Iterable) # True
isinstance({1, 2, 3}, Iterable) # True
isinstance(range(3), Iterable) # True
isinstance({'key': 'value'}, Iterable) # True
isinstance(123, Iterable) # False可以看出，我们只需要使用 isinstance(object, Iterable) 即可判断给定的 object 是否为可迭代对象。
严格来讲，isinstance() 只会将有 __iter__ 方法的对象判断为 Iterable。
换言之，仅用 __getitem__ 方法实现的可迭代对象会被 isinstance() 误判为不可迭代对象。
最正确的做法是直接尝试 iter(object)，如果没有报错，则说明 object 是可迭代对象。
我们可以将现有的可迭代对象转化为可迭代器：
s = '12345' myiter = iter(s) myiter # <str_iterator at 0x25e6f40d130>
不断调用 next 方法来依次获取迭代器的元素：
next(myiter) # '1' next(myiter) # '2' next(myiter) # '3' next(myiter) # '4' next(myiter) # '5' next(myiter) # StopIteration:
可见迭代器执行到最后时会抛出一个 StopIteration 异常。
为避免这种异常，我们完全可以用更简单的 for 循环去遍历：
for e in myiter: print(e) # 1 # 2 # 3 # 4 # 5
构造一个迭代器只需要在自定义的类中实现两个方法：__iter__ 和 __next__ 。
当我们构造类时，必须要有一个名为 __init__() 的函数，该函数可以在实例化时进行一些初始化。
__iter__() 方法的行为类似，可以执行操作（初始化等），但必须始终返回迭代器对象本身。__next__() 方法还允许你进行其他操作，并且必须返回序列中的下一项。class MyIter: def __iter__(self): self.count = 1 return self def __next__(self): x = self.count self.count += 1 return x
我们创建了一个返回数字的迭代器，每次序列的数值都将 +1。
myiter = iter(MyIter()) next(myiter) # 1 next(myiter) # 2 next(myiter) # 3
如果我们一直调用 next() 的方法，则序列的值将会无限递增下去。即如果我们使用 for 循环去遍历上述迭代器，循环将永远进行下去…
myiter = iter(MyIter()) for e in myiter: print(e) # 循环将一直进行下去...
为了防止迭代永远进行下去，我们可以在迭代次数达到一定值时抛出 StopIteration 异常。
class MyIter: def __iter__(self): self.count = 1 return self def __next__(self): if self.count <= 5: x = self.count self.count += 1 return x else: raise StopIteration
这样再执行 for 循环就不会一直进行下去了：
myiter = iter(MyIter()) for e in myiter: print(e) # 1 # 2 # 3 # 4 # 5
在Python中，一边迭代（循环）一边计算的机制，称为生成器。生成器能够迭代的关键是因为它有一个 __next__ 方法。
为什么要有生成器呢？我们知道，列表中的所有数据都存储在内存中，如果有海量数据的话将会非常消耗内存。很多时候，我们只需要访问列表中前面的元素，这样一来后面的元素所占用的空间就白白浪费了。
如果列表元素能够按照某种算法推算出来，那我们就可以在循环的过程中不断推算出后续的元素，这样就不必创建完整的列表，从而节省了大量的空间（即用多少就生成多少）。
有以下两种常用方法来创建生成器：
将列表解析式中的 [] 改为 ()。在自定义的函数中使用 yield 关键字。此时这个函数就不再是一个普通函数，而是一个生成器，调用该函数就是创建了一个生成器对象。
比较以下两段代码：
a = [x for x in range(3)] type(a) # list
a = (x for x in range(3)) type(a) # generator
我们还可以比较列表解析式和生成器的耗时：
tic = time.time() a = sum([x for x in range(10000000)]) toc = time.time() print(toc - tic) # 0.9081981182098389
tic = time.time() a = sum((x for x in range(10000000))) toc = time.time() print(toc - tic) # 0.6906485557556152
我们当然可以对生成器使用 next() 方法：
next(a) # 0 next(a) # 1 next(a) # 2 next(a) # StopIteration:
但一般我们不会用 next() 来获取下一个返回值，而是直接使用 for 循环来迭代。
带有 yield 的函数不再是一个普通函数，而是一个生成器。
yield 相当于return一个值，并且记住这个返回的位置，下次迭代时，代码从 yield 的下一条语句开始执行。
我们可以通过下面的例子先来理解一下：
def num():
print('开始执行')
for i in range(5):
yield i
print('继续执行')
mygen = num()
type(mygen)
# generator
由此，我们成功创建了一个生成器对象。接下来调用 next 方法观察这个生成器是如何工作的：
next(mygen) # 开始执行 # 0 next(mygen) # 继续执行 # 1 next(mygen) # 继续执行 # 2 next(mygen) # 继续执行 # 3 next(mygen) # 继续执行 # 4 next(mygen) # StopIteration:
当然我们也可以使用 for 循环来遍历这个生成器：
for step in mygen: print(step) # 开始执行 # 0 # 继续执行 # 1 # 继续执行 # 2 # 继续执行 # 3 # 继续执行 # 4 # 继续执行
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
