大家好，我是一名深耕人工智能领域的开发者。在前几篇进阶内容中，我们陆续学习了闭包装饰器、多线程多进程、网络编程等核心内容，今天我们继续完成 Python 进阶语法的收尾学习，聚焦迭代器、生成器、正则表达式三大核心语法。

这三类语法在 AI 开发中有着极高的实用价值：迭代器与生成器可以实现惰性加载数据，在处理超大训练数据集时节省大量内存；正则表达式则是数据清洗、文本预处理、脏数据过滤的必备工具，是 NLP 自然语言处理、文本类 AI 项目的基础能力。本文全程无代码，仅从概念、逻辑、使用场景与规则进行讲解，适合作为博客分享与学习笔记留存。

一、迭代器：惰性数据遍历的基础

1.1 迭代器核心概述

迭代器是 Python 中实现惰性加载数据的基础类型，其核心规则为：如果一个类实现了指定的两个魔法方法，那么该类就是迭代器类，由该类创建的对象即为迭代器对象。

迭代器采用惰性加载的方式获取数据，不会一次性将所有数据加载到内存，而是遍历一次、获取一次数据，适合处理海量、超大序列数据，缺点是相比生成器，手动实现逻辑较为繁琐。

1.2 迭代器核心执行逻辑

当我们使用循环遍历迭代器对象时，每完成一次遍历，程序会自动调用迭代器的对应方法，逐步返回数据，实现边遍历、边取值的效果，无需提前加载全部数据。

二、生成器：极简高效的惰性数据生成工具

2.1 生成器核心概述

生成器是迭代器的简化实现版本，同样基于用户传入的规则获取数据，核心特点是惰性加载、分批生成数据，不会一次性将所有数据加载至内存，而是用一批、生成一批，极大节省内存开销，是处理海量 AI 数据集的常用工具。

2.2 生成器实现方式

生成器有两种主流实现方式：

1. 推导式写法：通过简洁的语法直接创建生成器对象，语法简洁、上手快速；
2. 函数写法：借助 yield 关键字实现，在函数中使用 yield 关键字返回数据，调用函数后即可得到生成器对象。

2.3 生成器核心作用

1. 结合循环函数使用，实现数据的分批产出；
2. 向生成器中添加数据，实现数据动态处理；
3. 以惰性方式批量获取数据，典型场景为批量获取大型文本、数据集、海量日志数据等。

2.4 典型应用场景

生成器最经典的实战场景为批量获取海量数据，例如批量读取大型文本文件、分批加载 AI 训练样本、流式读取日志数据等，避免一次性加载全部数据导致内存溢出。

三、正则表达式：文本处理与数据清洗核心工具

3.1 正则表达式概述

正则表达式全称为 Regular Expression，简称正则，本质是一套匹配指定规则字符串的语法规则，可以通过自定义规则，快速完成文本的校验、匹配、替换、过滤等操作，是文本数据清洗、脏数据剔除、信息提取的核心工具。

3.2 正则表达式核心作用

1. 正则校验：判断字符串是否符合指定格式规则；
2. 正则匹配：从文本中提取符合规则的目标内容；
3. 正则替换：将文本中符合规则的内容替换为指定内容；
4. 正则过滤：剔除文本中不符合规则的无效内容。

3.3 Python 中正则的基础使用逻辑

在 Python 中使用正则表达式，遵循固定的使用逻辑：

1. 导入正则相关模块；
2. 调用模块对应方法，完成校验、匹配、替换等操作；
3. 根据方法返回结果，判断是否匹配成功，获取最终校验结果。

3.4 正则常用语法规则

正则的核心由四类规则组成，覆盖绝大多数文本处理场景：

1. 单个字符匹配：用于匹配单个字符，包含任意字符、指定字符集合、非指定字符集合、数字、非数字、空白字符、非空白字符、字母数字下划线、非字母数字下划线等规则；
2. 数量词匹配：用于控制匹配字符的出现次数，包含匹配 0 次或 1 次、匹配 0 次或多次、匹配 1 次或多次、匹配指定次数、匹配至少 n 次、匹配 n 到 m 次等规则；
3. 开头与结尾匹配：用于限定匹配内容必须出现在字符串开头或结尾；
4. 分组匹配：用于将匹配内容分组提取，支持自定义分组名称、引用指定分组内容等高级用法。

3.5 正则实战案例

正则表达式在实际开发中高频使用场景包含：

1. 手机号格式校验；
2. 邮箱格式校验；
3. 筛选指定关键词文本；
4. 提取文本中的 QQ 号、身份证号等关键信息；
5. 校验 HTML 标签格式等。

四、逻辑图