Praktische Beispiele für Generators

Generatoren können als leichte Kontextmanager verwendet werden, um Ressourcen effizient zu verwalten, wie z.B. Datenbankverbindungen, Dateioperationen oder Sperrmechanismen. Mit dem contextlib-Modul können Generatoren die Ressourcenallokation und -bereinigung nahtlos handhaben.


              1234567891011121314
            
from contextlib import contextmanager

@contextmanager
def database_connection():
    print("Opening database connection")
    connection = "Database Connection"  # Simulated connection
    try:
        yield connection
    finally:
        print("Closing database connection")

# Using the generator as a context manager
with database_connection() as conn:
    print(f"Using {conn}")

Effiziente Verarbeitung großer Datenmengen

Generatoren sind ideal für den Aufbau von Datenpipelines, die große Datensätze verzögert verarbeiten. Jede Stufe der Pipeline kann als Generator implementiert werden, was eine effiziente, speicherschonende Verarbeitung ermöglicht.


              12345678910111213141516171819202122232425262728293031323334353637383940
            
import re

# Stage 1: Read lines lazily
def read_lines(text):
    for line in text.split("\n"):
        yield line

# Stage 2: Filter non-empty lines
def filter_lines(lines):
    for line in lines:
        if line.strip():
            yield line

# Stage 3: Extract words lazily
def extract_words(lines):
    for line in lines:
        for word in re.findall(r'\w+', line):
            yield word

# Stage 4: Transform words to lowercase
def lowercase_words(words):
    for word in words:
        yield word.lower()

# Input text
text = """Generators are powerful tools
They allow efficient data processing
This pipeline demonstrates their usage"""

# Build the pipeline
lines = read_lines(text)
filtered = filter_lines(lines)
words = extract_words(filtered)
lowercased = lowercase_words(words)

# Process the data
print("Processed words:")
for word in lowercased:
    print(word)