上一篇文章中，我們介紹了 Python 中的 yield 關鍵字以及依賴其實現的生成器函數。 python 中的迭代器與生成器
生成器函數在形式上與協程已經十分接近，本文我們就來詳細介紹一下協程。
協程又稱為微線程，雖然整個執行過程中只有一個線程，但某個方法的執行過程中可以掛起、讓出CPU給另一個方法，等到適當的時機再回到原方法繼續執行，但兩個方法之間並沒有相互調用關系，他們類似於系統中斷或多線程的表現。 由此，我們可以看到協程具有以下優勢：
>>> def simple_coroutine():
... print('-> coroutine started')
... x = yield
... print('-> coroutine received:', x)
...
>>> my_coro = simple_coroutine()
>>> my_coro
<generator object simple_coroutine at 0x100c2be10>
>>> next(my_coro)
-> coroutine started
>>> my_coro.send(42)
-> coroutine received: 42
Traceback (most recent call last):
...
StopIteration可以看到，在上面的例子中，yield 不再是我們所熟悉的出現在式子的左邊，而是成為了變量賦值的右值，事實上，此處 yield 右側同樣可以出現值、變量或表達式。 當程序執行到 yield 表達式時，協程被掛起，同時返回 yield 右側的值（如果有的話） 對這個協程執行 send 操作實際上就是將 send 方法的參數傳遞給 yield 表達式的左值，接著程序繼續運行下去。
協程有以下四種狀態：
通過使用 inspect.getgeneratorstate 函數可以返回上述四個中的一個狀態字符串。 只有當一個協程處於 GEN_SUSPENDED 狀態時才可以調用其 send 方法，否則會拋出異常：
>>> my_coro = simple_coroutine()
>>> my_coro.send(1729)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: can't send non-None value to a just-started generator>>> def simple_coro2(a):
... print('-> Started: a =', a)
... b = yield a
... print('-> Received: b =', b)
... c = yield a + b
... print('-> Received: c =', c)
...
>>> my_coro2 = simple_coro2(14)
>>> from inspect import getgeneratorstate
>>> getgeneratorstate(my_coro2)
'GEN_CREATED'
>>> next(my_coro2)
-> Started: a = 14
14
>>> getgeneratorstate(my_coro2)
'GEN_SUSPENDED'
>>> my_coro2.send(28)
-> Received: b = 28
42
>>> my_coro2.send(99)
-> Received: c = 99
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
>>> getgeneratorstate(my_coro2)
'GEN_CLOSED'下圖展示了上述代碼的執行過程：
因此需要首先調用 next 方法，讓協程執行到第一個 yield 表達式，這一過程被稱為“預激”(prime) 所有協程都必須預激然後使用，這一次 next 調用看上去總是讓人覺得有些多余，而沒有他又會報錯，所以我們可以在自己的協程上加一個裝飾器，以使協程被創建後自動完成預激功能。
from functools import wraps
def coroutine(func):
@wraps(func)
def primer(*args,**kwargs):
gen = func(*args,**kwargs)
next(gen)
return gen
return primer關於裝飾器的內容，可以參考： python 中的裝飾器及其原理
有下面幾種情況會讓協程進入 GEN_CLOSED 狀態：
關於 Python 的垃圾回收機制，參考： python 的內存管理與垃圾收集
from collections import namedtuple
Result = namedtuple('Result', 'count average')
def averager():
total = 0.0
count = 0
average = None
while True:
term = yield
if term is None:
break
total += term
count += 1
average = total/count可以看到，上例中，協程是一個無限循環，只要調用方不斷將值發送給協程，他就會不斷累加、計算移動平均數，直到協程的 close 方法被調用或協程對象被垃圾回收。
下面的例子中，我們在上面計算移動平均數的代碼最後加上了返回語句。
from collections import namedtuple
Result = namedtuple('Result', 'count average')
def averager():
total = 0.0
count = 0
average = None
while True:
term = yield
if term is None:
break
total += term
count += 1
average = total/count
return Result(count, average)
>>> coro_avg = averager()
>>> next(coro_avg)
>>> coro_avg.send(10)
>>> coro_avg.send(30)
>>> coro_avg.send(6.5)
>>> coro_avg.send(None)
Traceback (most recent call last):
...
StopIteration: Result(count=3, average=15.5)可以看到，在最終給協程發送 None 導致協程退出後，拋出的 StopIteration 中攜帶了這個返回值，通過 StopIteration 的 value 字段我們可以取出該值：
yield from 語句可以簡化生成器函數中的 yield 表達式，這在我們此前的文章中已經介紹過：
>>> def gen():
... for c in 'AB':
... yield c
... for i in range(1, 3):
... yield i
...
>>> list(gen())
['A', 'B', 1, 2]可以改寫成：
>>> def gen():
... yield from 'AB'
... yield from range(1, 3)
...
>>> list(gen())
['A', 'B', 1, 2]包含 yield from 語句的函數被稱為委派生成器，他打開了雙向通道，將最外層的調用方與最內層的子生成器連接起來，讓二者可以直接發送和產出值，還可以直接傳入異常，位於中間的協程無序添加任何中間處理的代碼。 yield from 語句會一直等待子生成器終止並拋出 StopIteration 異常，而子生成器通過 return 語句返回的值會成為 yield from 語句的傳入值。
