应避免对大生成器直接调用list()，而用itertools.islice取前n项或collections.deque(maxlen=n)取后n项，以防内存暴涨；警惕*args解包、set()初始化等隐式展开操作。
生成器转列表时内存暴涨的典型表现
当你对一个大文件逐行读取后用 list() 包裹，或用 [x for x in huge_generator] 构建列表，Python 会一次性把所有元素加载进内存。现象很直接：进程 RSS 内存飙升、系统卡顿、甚至被 OOM Killer 杀掉——尤其在处理 GB 级日志、数据库游标或网络流时。
用 itertools.islice 控制生成器消费量
真正需要“转成列表”的场景其实很少；多数时候你只是想取前 N 条做调试、分页或校验。这时别全量展开，用 itertools.islice 切片更安全：
from itertools import islice
<h1>安全：只取前 100 行，不触碰后续数据</h1><p>lines = islice(open('huge.log'), 100)
safe_list = list(lines) # 内存占用 ≈ 100 行文本大小</p><h1>错误：全量读取，可能吃光 8GB 内存</h1><h1>unsafe_list = list(open('huge.log'))</h1>
-
islice返回迭代器，list()只消耗指定数量元素 - 它不支持负索引或倒序，但绝大多数“取头”场景够用
- 比手写
for i, x in enumerate(gen): if i >= N: break更简洁、语义清晰
用 collections.deque 实现固定长度尾部截取
如果需求是“取最后 N 条”，islice 不适用（它必须从头开始）。此时用 deque(maxlen=N) 是唯一合理方案——它自动丢弃旧元素，内存恒定：
from collections import deque
<h1>安全：只保留最后 1000 条日志，内存占用稳定</h1><p>tail_logs = deque(open('huge.log'), maxlen=1000)
safe_tail = list(tail_logs) # 注意：这步才转 list，但仅 1000 个元素</p><h1>错误：先转 list 再切片 —— 全量加载已发生</h1><h1>all_logs = list(open('huge.log'))</h1><h1>safe_tail = all_logs[-1000:]</h1>
-
deque的maxlen参数是关键，缺了就退化为普通队列 - 不能用
list模拟，因为list.append()不自动弹出首元素 - 注意
deque构造时仍会遍历整个生成器，但只保留最后 N 个引用，内存可控
警惕隐式展开：函数参数和解包操作
有些写法看似没调 list()，实则触发全量消费：
- 传生成器给接受可变参数的函数：
some_func(*huge_gen)→ 立刻展开 - 用生成器初始化
set()或dict()：set(huge_gen)→ 全量哈希计算+存储 - 用在
sum()、max()等聚合函数里虽不存全部元素，但若生成器本身缓存中间结果（比如某些 ORM 查询集），仍可能爆内存
遇到这类情况，优先改用显式循环 + 限流逻辑，或确认目标函数是否支持迭代器流式处理（如 itertools.chain.from_iterable）。
最危险的不是你知道要转列表，而是你根本没意识到某行代码正在悄悄把百万级数据拖进内存。
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！
