生成器的特点是工作到一半，就会停下来看别人干活直至有人踢它屁股，这时它才继续往下干活。实现这一功能的精髓要用到yield。

生成器是一种特殊的迭代器，因此我们先来了解一下什么是迭代器。我们都知道著名的斐波那契数列：1、1、2、3、5、8、13、21、34……从第三个数开始，每个数都可以由其前面的两个数相加得到，这就是一个迭代过程。很显然，这是一个不收敛的数列，我们无法用列表或者使集合去一次性将它们提取出来。这时候，如果我们把这样一个迭代过程封装成一个迭代器，只有在调用一次它的时候它才进行一次迭代，并且只保留当前的迭代结果，这样一来，程序的运行速度能得到提高，同时也不会对内存造成严重的负担。迭代器可以表示一个无限大的数据流，也可以表示一个有限的数据流。

从代码的角度讲，所有可以被next（）函数调用并不断返回下一个值的对象就叫做迭代器：Iterator。与迭代器相近的一个概念是可迭代对象（Iterable），凡是可用for循环遍历的对象都是可迭代对象，比如list、dict和str等。但是这几个对象不是迭代器，这一点在上一段已经从迭代器的特点说明，不再赘述。然而，世事无绝对，通过iter()函数，可以将它们变成迭代器。

由此，我们可以建立这样一个斐波那契数列生成器：

def generate():
    b,c = 0,1
    while True:  
        b,c = c,b +c  #迭代公式
        yield c
    return "fault"  #出错时的返回值

y = generate()   #产生一个生成器对象，但不调用生成器
for i in range(15):  #调用15次
    print(y.__next__(),end="  ")  #使用next（）方法调用生成器

yield的作用是让生成器在这里暂停执行，执行下一条程序指令。当下一次调用next（）函数时，生成器从暂停的地方继续往下执行。一次，每调用一次产生一个值，调用15次产生15个值，如下图所示:

斐波那契数列

这种类型的生成器并不需要参数，当我们需要给生成器内部传递参数时，我们需要用到send（）函数，因为next（）函数不具备该功能。看下面这样一段代码：

def sing(word1):
    print(word1)
    while True:
        word2 = yield  #每次调用时生成器都停留在这里
        print(word2)


a = sing("如今走过这世间")
a.send(None)  #可以替换成a.__next__()
a.send("万般流连")

上述代码，如果不用while循环，则没办法使每次调用的结果程序都停留在yield这里，而是执行完print（word2）变结束了，这使程序会报错。在第一次使用需要传递参数的生成器时，我们不能直接使用send（）函数传递我们想传递的参数，因为此时函数停在yeild，并不需要到这个参数。因此我们可以用next（）函数来进行第一次调用，然后再调用send（）传递参数并调用。当然，如果我们非要用send（）函数实现第一次调用时，应该传递一个空参数。运行结果如下所示：

运行效果

至此，大功告成！