应使用 heapq.merge() 而非 a + b + sorted()，因其利用输入已排序特性实现 o(m+n) 线性合并，支持惰性求值、低内存占用，并可处理生成器等流式数据，但要求各输入有序且元素类型可比较。
为什么不用 + 或 sorted()？
直接用 a + b 再 sorted() 看似简单，但会丢掉「两个输入已排序」这个关键信息，时间复杂度升到 O((m+n) log(m+n))；而真正需要的是线性合并 —— O(m+n)。更糟的是，如果列表很大或来自生成器（比如文件逐行读取），一次性加载进内存再排序可能爆内存。heapq.merge() 正是为此设计：它不建堆、不排序全量数据，只维护一个最小元素指针队列，边迭代边产出。
heapq.merge() 的基本用法和参数陷阱
它接受任意多个**已排序的可迭代对象**，返回一个迭代器（不是列表！）。常见错误是传入未排序数据，或误以为它会自动去重或修改原列表。
- 必须确保每个输入本身有序，
heapq.merge()不验证也不排序单个输入 - 所有输入的元素类型需可比较（比如不能混用
str和int） - 支持
key参数（Python 3.5+），但注意：它只影响比较逻辑，不改变输出值本身；且所有输入必须用同一套key规则 - 不支持
reverse=True；如需降序合并，得先保证各输入是降序的，再用key取反（例如key=lambda x: -x）
示例：
import heapq a = [1, 3, 5, 7] b = [2, 4, 6, 8] merged = heapq.merge(a, b) # 返回迭代器 list(merged) # [1, 2, 3, 4, 5, 6, 7, 8]
合并带自定义排序逻辑的列表（比如按字符串长度）
当排序依据不是自然大小，而是某个属性（如 len()、字段值），必须显式传 key，且所有输入要一致处理。否则会出现错位合并 —— 因为 heapq.merge() 默认按元素本身比较，而你的数据可能按长度排好了，但元素本身无序。
- 错误写法：
heapq.merge(list1, list2)（若 list1/list2 是按len(x)排的字符串列表，但字符串字典序乱） - 正确写法：
heapq.merge(list1, list2, key=len) - 注意：key 函数会被多次调用，避免放副作用操作（如打印、IO）
示例：
words1 = ['a', 'bb', 'ccc'] words2 = ['d', 'ee', 'fff'] # 两者都按长度升序排列 merged_words = heapq.merge(words1, words2, key=len) list(merged_words) # ['a', 'd', 'bb', 'ee', 'ccc', 'fff']
内存敏感场景：合并生成器或大文件流
heapq.merge() 的真正优势在惰性求值。它不把整个结果存成列表，适合处理无法全部载入内存的数据源，比如逐行读取的排序日志文件。
- 每个输入可以是生成器、文件对象、数据库游标等 —— 只要支持迭代且内部有序
- 合并过程只保留每个输入的当前“头部”元素，空间复杂度为
O(k)（k 是输入个数），而非O(m+n) - 一旦某输入耗尽，它就从堆中移除，后续不再占用资源
示例（模拟两个已排序的文件流）：
def sorted_file_lines(filename):
with open(filename) as f:
yield from sorted(f, key=int) # 假设文件里是数字字符串
<h1>合并两个已排序文件，不加载全文本到内存</h1><p>merged_stream = heapq.merge(
sorted_file_lines('a.txt'),
sorted_file_lines('b.txt'),
key=int
)
for line in merged_stream:
print(line.strip())</p>
实际用时要注意：如果输入本身是动态生成的（比如网络请求分页结果），必须确保每页内部有序、页间也满足全局顺序，否则 heapq.merge() 无法挽救逻辑错误。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
