Python 生成器不僅能實作惰性求值，還能建構更複雜的狀態機和協程。不像無狀態生成器僅產生值序列，狀態生成器維護內部狀態，在每次迭代更新，實作依賴先前輸入的複雜計算。理解生成器的狀態轉換、使用 send()、throw() 和 close() 控制生成器通訊，以及整合到非同步框架，是進階應用的關鍵。這些技術讓開發者精細控制生成器行為，建構更複雜的非同步工作流程，例如有限狀態機和協程，並應用於非同步資料擷取和反應式系統設計。
4.4 進階生成器技術
在探索生成器的高階應用時，我們會發現它們遠遠超出了基本的懶評估和簡單序列生成。這個部分，我們將深入研究具有狀態的生成器，並探討如何使用它們來構建協程，以支援非同步程式設計工作流程。在這個層次上，掌控生成器狀態轉換的細粒度控制、使用 send()、throw() 和 close() 管理生成器之間的通訊，以及將生成器行為整合到非同步框架中，都是非常重要的。
狀態生成器的概念
狀態生成器是高階設計模式中的核心概念。與僅負責產生值序列的無狀態生成器不同，狀態生成器維護著可在每次迭代中更新的可變內部狀態。這使得它們能夠執行依賴於先前輸入歷史的複雜計算。例如，考慮一個實作有限狀態機的生成器。這樣的生成器需要在多個產生點之間保留其狀態，以便確定後續行為。
實作有限狀態機的生成器
def fsm_generator():
state = 'START'
received = None
while True:
if state == 'START':
received = yield "Initializing"
if received == 'advance':
state = 'MIDDLE'
elif state == 'MIDDLE':
received = yield "Processing"
if received == 'advance':
state = 'END'
elif received == 'reset':
state = 'START'
高階生成器技術
高階生成器技術包括使用 send() 方法向生成器傳送值、使用 throw() 方法向生成器丟擲異常，以及使用 close() 方法關閉生成器。這些方法使得開發者可以對生成器進行更細粒度的控制，從而實作更複雜的非同步程式設計工作流程。
使用 send() 向生成器傳送值
gen = fsm_generator()
print(next(gen)) # Initializing
print(gen.send('advance')) # Processing
使用 throw() 向生成器丟擲異常
gen = fsm_generator()
print(next(gen)) # Initializing
try:
print(gen.throw(Exception('錯誤')))
except Exception as e:
print(e) # 錯誤
使用 close() 關閉生成器
gen = fsm_generator()
print(next(gen)) # Initializing
gen.close()
try:
print(next(gen))
except StopIteration:
print("生成器已經關閉")
有限狀態機與生成器的應用
在 Python 中，生成器（generator）是一種特殊的迭代器，可以用來實作協程（coroutine）。當我們使用yield關鍵字時，函式會變成一個生成器，傳回一個迭代器物件。這個迭代器物件可以用來產生一系列的值。
有限狀態機的實作
下面的例子展示瞭如何使用生成器實作一個簡單的有限狀態機（Finite State Machine, FSM）：
def fsm_generator():
state = 'START'
while True:
if state == 'START':
yield "Initializing"
state = 'PROCESSING'
elif state == 'PROCESSING':
yield "Processing"
state = 'END'
elif state == 'END':
yield "Terminating"
break
# Example usage of stateful generator
fsm = fsm_generator()
print(next(fsm)) # Output: "Initializing"
print(next(fsm)) # Output: "Processing"
print(next(fsm)) # Output: "Terminating"
在這個例子中，生成器fsm_generator會根據當前的狀態產生不同的值。
使用send()方法進行雙向通訊
生成器也可以使用send()方法進行雙向通訊。這個方法允許我們向生成器傳送值，並接收生成器傳回的值。
def fsm_generator():
state = 'START'
while True:
if state == 'START':
received = yield "Initializing"
if received == 'advance':
state = 'PROCESSING'
elif state == 'PROCESSING':
received = yield "Processing"
if received == 'advance':
state = 'END'
elif state == 'END':
yield "Terminating"
break
# Example usage of stateful generator with send()
fsm = fsm_generator()
print(next(fsm)) # Output: "Initializing"
print(fsm.send('advance')) # Output: "Processing"
print(fsm.send('advance')) # Output: "Terminating"
在這個例子中，生成器fsm_generator會根據接收到的值改變狀態，並產生不同的值。
自適應處理器的實作
下面的例子展示瞭如何使用生成器實作一個自適應處理器（Adaptive Processor）：
def adaptive_processor():
threshold = 10
while True:
data = yield
if data is None:
continue
if data > threshold:
threshold = data # Update threshold dynamically
result = data * threshold
yield result
# Usage demonstrating bidirectional interaction
processor = adaptive_processor()
next(processor) # Initialize the processor
print(processor.send(5)) # Output: 50
print(processor.send(15)) # Output: 225
print(processor.send(20)) # Output: 400
在這個例子中，生成器adaptive_processor會根據接收到的資料動態更新閾值，並產生不同的結果。
非同步處理與異常管理
在設計複雜的非同步應用時，異常管理和錯誤處理是至關重要的。Python 的 asyncio 框架提供了一種高效的方式來處理非同步任務，但也需要小心地管理狀態轉換和異常傳播。
生成器與異常管理
生成器（generator）是一種特殊的迭代器，可以用來實作非同步任務。透過使用 yield 關鍵字，生成器可以暫停和還原執行，從而實作非同步處理。但是，生成器也需要小心地管理狀態轉換和異常傳播。
以下是一個示例：
def monitor():
try:
while True:
metric = yield
if metric < 0:
raise ValueError("Negative metric encountered")
yield f"Metric accepted: {metric}"
except ValueError as error:
yield f"Error: {error}"
mon = monitor()
next(mon) # Prime the generator
print(mon.send(100))
print(mon.send(-5)) # Triggers the exception handling code within the generator
在這個示例中，生成器 monitor 會不斷地接收資料，並且在遇到錯誤時會丟擲異常。透過使用 try-except 區塊，生成器可以捕捉和處理異常。
非同步處理與 asyncio
Python 3.5 引入了 async/await 語法，使得非同步處理更加簡單。但是，瞭解底層的生成器機制仍然很重要，特別是在設計自定義的非同步排程器或與非標準事件迴圈整合時。
以下是一個示例：
import asyncio
def async_data_fetcher():
loop = asyncio.get_event_loop()
while True:
# Simulate an asynchronous I/O-bound operation
future = asyncio.ensure_future(asyncio.sleep(1, result="Data received"))
result = yield from future # Delegates yield to the future’s result
yield result
在這個示例中，生成器 async_data_fetcher 會不斷地執行非同步 I/O 繫結操作，並且使用 yield from 關鍵字來委派產生結果。
非同步資料擷取與反應式系統設計
在現代軟體開發中，非同步資料擷取和反應式系統設計扮演著重要角色。這些技術使得開發人員能夠建立出高效、可擴充套件且對事件做出即時反應的系統。
非同步資料擷取
非同步資料擷取是一種允許程式在等待資料傳回的同時繼續執行其他任務的技術。這通常是透過使用協程或非同步/等待模式來實作的。以下是一個使用 Python 的 asyncio 函式庫進行非同步資料擷取的範例：
import asyncio
async def fetch_data():
# 模擬非同步資料擷取
await asyncio.sleep(1)
return "資料已擷取"
async def main():
task = asyncio.create_task(fetch_data())
print("進行其他任務...")
result = await task
print(result)
asyncio.run(main())
反應式系統設計
反應式系統設計是一種軟體設計模式，強調對事件做出即時反應。這通常是透過使用生成器和協程來實作的。以下是一個使用 Python 的生成器進行反應式系統設計的範例：
def dispatcher():
while True:
event = yield
print(f"處理事件：{event}")
def consumer(name):
while True:
event = yield
print(f"消費者 {name} 處理事件：{event}")
# 整合 dispatcher 和 consumer 生成器
disp = dispatcher()
next(disp) # 啟動 dispatcher
cons = [consumer(f"消費者 {i}") for i in range(3)]
for c in cons:
next(c) # 啟動消費者
# 送出事件給 dispatcher
disp.send("事件 1")
for c in cons:
c.send("事件 1")
高階應用技術
高階開發人員可以使用混合建構來公開同步和非同步介面，從而實作更高的靈活性和可重用性。另外，透過使用 yield from 和交錯呼叫模式，可以建立出高回應性的系統，以最小的延遲對外部事件或感測器資料做出反應。
從技術架構視角來看，Python 生成器不僅僅是迭代器的簡化版本，更是構建複雜非同步流程和狀態機的強大工具。深入剖析其內部機制，我們可以發現，yield 關鍵字賦予了生成器在不同狀態間切換的能力，搭配 send()、throw() 和 close() 等方法，更能實作精細的流程控制和雙向通訊。然而，狀態管理的複雜性也伴隨著除錯和維護的挑戰，開發者需要仔細考量狀態轉換的邏輯，並妥善處理異常傳播，才能避免潛在的錯誤。隨著非同步程式設計正規化的普及，生成器在構建高併發、高回應的應用程式中將扮演更重要的角色。對於追求效能和程式碼簡潔性的開發者而言，掌握生成器的進階用法至關重要。玄貓認為，深入理解生成器的運作原理，並將其與 asyncio 等非同步框架結合，將是 Python 開發者提升程式碼效率和設計能力的關鍵途徑。
