Python调用PyPDF2批量读取300份PDF触发TypeError报错排查

你遇到的TypeError: not all arguments converted during string formatting由以下直接问题导致：

• 字符串格式化语法错误：你写的文件路径字符串"/Users/n_n/Desktop/Digitalization/reserve"中没有设置任何格式化占位符（如匹配整数的%d、匹配字符串的%s），却通过% (k)传入了循环变量，Python找不到替换参数的位置，直接抛出类型错误。
• 路径逻辑缺失：原代码没有拼接PDF文件后缀，也没有做序号和文件名的连接，就算格式化语法改对，也会因为找不到对应文件触发后续报错。
• 额外兼容隐患：旧版本PyPDF2直接传入路径字符串调用PdfFileReader存在概率性兼容问题，推荐先通过二进制模式打开文件句柄再传入解析器，同时新版PyPDF2已经用PdfReader替代了旧的PdfFileReader接口。

以下代码直接修复读取报错，同时覆盖你提到的所有预处理规则、元数据关联逻辑：

import PyPDF2
import re
import csv
import string
# 若需处理英文停用词可引入nltk，处理中文替换为对应中文分词、停用词逻辑即可
from nltk.corpus import stopwords

# 预加载预处理资源
stop_words = set(stopwords.words('english'))
punct_trans_table = str.maketrans('', '', string.punctuation)

# 读取外部CSV元数据，建立序号到元数据的映射
# 注意根据你的CSV实际列名调整映射逻辑
metadata_dict = {}
with open("/Users/n_n/Desktop/Digitalization/your_metadata_file.csv", "r", encoding="utf-8") as csv_f:
    csv_reader = csv.DictReader(csv_f)
    for row in csv_reader:
        # 假设CSV中file_id列对应PDF的1-311序号
        file_idx = int(row["file_id"])
        metadata_dict[file_idx] = row

final_processed_data = []

for k in range(1, 312):
    # 修正路径拼接：按你的PDF实际命名规则调整，示例为reserve1.pdf、reserve2.pdf格式
    # 如果是补零命名如reserve001.pdf，改为f"/Users/n_n/Desktop/Digitalization/reserve{k:03d}.pdf"
    pdf_path = f"/Users/n_n/Desktop/Digitalization/reserve{k}.pdf"
    # 二进制模式打开文件，避免PyPDF2兼容问题
    with open(pdf_path, "rb") as pdf_f:
        reader = PyPDF2.PdfReader(pdf_f)
        # 提取全文档文本
        raw_text = ""
        for page in reader.pages:
            page_content = page.extract_text()
            if page_content:
                raw_text += page_content
    # 执行预处理规则
    # 1. 统一转小写
    text_lower = raw_text.lower()
    # 2. 移除所有标点
    text_no_punct = text_lower.translate(punct_trans_table)
    # 3. 删除停用词
    word_list = text_no_punct.split()
    text_clean = " ".join([word for word in word_list if word not in stop_words])
    # 4. 关联对应元数据
    final_processed_data.append({
        "file_id": k,
        "cleaned_content": text_clean,
        "metadata": metadata_dict.get(k, {})
    })

• 如果你的PDF命名规则和示例不一致，直接修改pdf_path的拼接逻辑即可。
• 处理中文文本时，将英文停用词替换为中文停用词表，分词环节替换为jieba等中文分词工具即可。
• 若出现PyPDF2版本兼容问题，执行pip install --upgrade pypdf2升级到最新稳定版即可。

内容的提问来源于stack exchange，提问作者H.Stevens