循环向列表append值时覆盖旧值，求Python代码问题排查

我尝试从CSV文件读取关键词，在PDF文本对象中按页索引这些关键词的页码。读写流程整体正常，但向page_list追加新页码时，不仅将新值添加到列表末尾，还会覆盖列表中所有原有值。输出的CSV包含预期的所有关键词，列表长度符合预期，但列表内所有值均被最新页码替换。

怀疑问题出在for w in words循环中，当前使用的函数代码如下：

data = pd.read_csv(index)
for da in data:
    words=data[da].values
    with open(pdf, 'rb') as f:
        readerobj = PdfFileReader(f)
        pages = readerobj.numPages
        page_dict={} # eventual index

        # read pdf page by page
        count=0

        for i in range(pages):
            page_list=[]
            if i in range1:
                continue
            else:
                count+=1
                page = readerobj.getPage(i)
                reader=page.extractText()
                pdfobj = nltk.word_tokenize(str(reader))

                for w in words:
                    # Overwriting every value in list
                    if str(w) in str(pdfobj):

                        page_list.append(count)
                        page_dict[w]=page_list
            with open('Index.csv', 'w', encoding="utf-8") as x:
                writer = csv.writer(x)
                for key, value in page_dict.items():
                    writer.writerow([key, value])
    f.close()

预期输出的CSV格式类似：

word1: [1,4,8,23]
word2: [1,3,5,7,22,33]

但实际输出为：

word1: [23,23,23,23]
word2: [33,33,33,33,33,33]

核心问题 #

1. 列表引用共享：你在每页循环里初始化page_list=[]，但所有匹配的关键词都指向同一个列表对象。因为列表是引用类型，后续对这个列表的修改会同步影响所有关键词对应的列表内容。
2. 逻辑重复追加：当某页有多个关键词匹配时，你会把当前页码多次追加到同一个page_list，再把这个列表赋值给每个匹配的关键词，导致列表里的页码重复累积，最终全被最后一页的页码覆盖。
3. 文件写入时机错误：每页循环都打开并写入CSV，既浪费性能，还会重复覆盖文件内容。

修正后的代码 #

import pandas as pd
from PyPDF2 import PdfFileReader
import nltk
import csv

data = pd.read_csv(index)
for da in data:
    words = data[da].values
    # 提前为每个关键词创建独立的空列表，彻底避免引用共享
    page_dict = {w: [] for w in words}
    
    with open(pdf, 'rb') as f:
        readerobj = PdfFileReader(f)
        pages = readerobj.numPages
        count = 0
        
        for i in range(pages):
            if i in range1:
                continue
            count += 1
            page = readerobj.getPage(i)
            reader = page.extractText()
            pdfobj = nltk.word_tokenize(str(reader))
            
            for w in words:
                if str(w) in str(pdfobj):
                    # 直接向当前关键词的专属列表追加页码
                    page_dict[w].append(count)
    
    # 所有页面处理完成后统一写入CSV
    with open('Index.csv', 'w', encoding="utf-8", newline='') as x:
        writer = csv.writer(x)
        for key, value in page_dict.items():
            writer.writerow([key, value])

关键修改点 #

• 用字典推导式page_dict = {w: [] for w in words}提前为每个关键词分配独立的空列表，彻底解决引用共享问题。
• 移除每页的page_list，直接操作对应关键词的列表，确保每个页码仅被追加一次到匹配的关键词列表中。
• 将CSV写入操作移到所有页面处理完成后，只执行一次，提升效率。
• 去掉冗余的f.close()，with语句会自动处理文件关闭。

内容的提问来源于stack exchange，提问作者mr56