另一种选择是使用itertools.tee()函数创建生成器的第二个版本:

import itertools
y = FunctionWithYield()
y, y_backup = itertools.tee(y)
for x in y:
    print(x)
for x in y_backup:
    print(x)

从内存使用的角度来看，如果原始迭代可能不处理所有的项，这可能是有益的。

如果GrzegorzOledzki的答案还不够，那么可以使用send()来实现目标。有关增强生成器和yield表达式的更多详细信息，请参阅PEP-0342。

更新:参见itertools.tee()。它涉及到上面提到的内存与处理之间的一些权衡，但它可能比仅将生成器结果存储在列表中节省一些内存;这取决于你如何使用发电机。

另一种选择是使用itertools.tee()函数创建生成器的第二个版本:

import itertools
y = FunctionWithYield()
y, y_backup = itertools.tee(y)
for x in y:
    print(x)
for x in y_backup:
    print(x)

从内存使用的角度来看，如果原始迭代可能不处理所有的项，这可能是有益的。

你可以使用itertools.cycle()来实现这一点。 您可以使用此方法创建一个迭代器，然后在迭代器上执行for循环，迭代器将对其值进行循环。

例如:

def generator():
for j in cycle([i for i in range(5)]):
    yield j

gen = generator()
for i in range(20):
    print(next(gen))

将生成20个数字，0到4重复。

医生说:

Note, this member of the toolkit may require significant auxiliary storage (depending on the length of the iterable).

我想为一个老问题提供一个不同的解决方案

class IterableAdapter:
    def __init__(self, iterator_factory):
        self.iterator_factory = iterator_factory

    def __iter__(self):
        return self.iterator_factory()

squares = IterableAdapter(lambda: (x * x for x in range(5)))

for x in squares: print(x)
for x in squares: print(x)

与list(iterator)相比，这样做的好处是它的空间复杂度是O(1)，而list(iterator)是O(n)。缺点是，如果你只能访问迭代器，而不能访问产生迭代器的函数，那么你就不能使用这个方法。例如，这样做似乎是合理的，但它不会起作用。

g = (x * x for x in range(5))

squares = IterableAdapter(lambda: g)

for x in squares: print(x)
for x in squares: print(x)

发电机不能倒带。您有以下选项:

再次运行生成器函数，重新启动生成: y = FunctionWithYield() 对于y中的x: print(x) y = FunctionWithYield() 对于y中的x: print(x) 将生成器结果存储在内存或磁盘上的数据结构中，您可以再次迭代: y = list(FunctionWithYield()) 对于y中的x: print(x) #可以再次迭代: 对于y中的x: print(x)

选项1的缺点是它会再次计算值。如果这是cpu密集型的，那么最终需要计算两次。另一方面，2的缺点是存储空间。整个值列表将存储在内存中。如果有太多的价值，那可能是不切实际的。

所以你有一个经典的内存和处理的权衡。我无法想象在不存储值或不重新计算它们的情况下倒带生成器的方法。

您也可以像其他答案所建议的那样使用tee，但是在您的情况下，它仍然会将整个列表存储在内存中，因此它将得到与选项2相同的结果和类似的性能。