假设有一个 Redis 集合，里面有 N 条数据，你不停从里面lpop数据，直到某一条数据的值为'Stop'字符串为止(已知里面必有一条数据为'Stop'字符串，但其位置不知道)。

这个需求看起来很简单，于是你立刻就着手写出了代码：

import redis

client = redis.Redis()

def read_data():
    datas = []
    while True:
        data = client.lpop().decode()
        if data == 'Stop':
            break
        datas.append(data)
    return datas

现在问题来了，如果 Redis 里面的数据非常多，已经超过了你的内存容量怎么办？数据全部放在datas列表里面再返回显然是不可取的做法。

好在，这些数据读取出来以后，会传给一个parse函数，并且这个函数是一条一条处理数据的，它处理完成以后，就可以把数据丢弃了。

于是你可能会这样改写代码：

import redis

client = redis.Redis()

def read_data():
    while True:
        data = client.lpop().decode()
        if data == 'Stop':
            break
        parse(data)

但我们知道，在编码规范和软件工程里面，建议一个函数，它应该只做一件事情，而现在read_data()函数却做了两件事情：1. 从 Redis 里面读取数据。2.调用parse()函数。

那么我们有没有办法把他们区分开来呢？如何让read_data能返回数据，但是又不会把内存撑爆呢？

这个时候，我们就可以使用生成器来解决问题：

import redis

client = redis.Redis()

def read_data():
    while True:
        data = client.lpop().decode()
        if data == 'Stop':
            break
        yield data

def parse_data():
    for data in read_data():
        parse(data)

在这个代码里面，read_data变成了生成器函数，它返回一个生成器，对生成器进行迭代的时候，每次返回一条数据，这一条数据立即传给parse()函数。整个过程源源不断，生生不息。不需要额外创建一个列表用来存放数据。

那么代码还能不能继续简化呢？此时我们就可以使用iter关键字了。

使用了iter关键字的效果如下图所示：

import redis

client = redis.Redis()

def read_data():
    data = client.lpop().decode()
    return data

def parse_data():
    for data in iter(read_data, 'Stop'):
        parse(data)

其中，read_data现在每运行一次只会返回列表最左边的数据。但是当我们直接使用iter(read_data, 'Stop')的时候，就会得到一个迭代器。对这个迭代器进行迭代，相当于在While True里面不停运行read_data函数，直到某一次迭代的时候，read_data函数返回了Stop，就停止。

当然如果你想炫技的话，还可以进一步简化：

import redis

client = redis.Redis()

def parse_data():
    for data in iter(lambda: client.lpop().decode(), 'Stop'):
        parse(data)