クラスインスタンスの属性からの値が同じクラスの別のインスタンスに追加される

Question

私はPdfを解析して、PdfTableクラスを使用してテーブルデータを抽出しています。クラスインスタンスを作成して別のクラスインスタンスを作成すると、最初のクラスインスタンスfile_1.cellsが2番目のクラスインスタンスfile_2.cellsの前に追加されているようです。私はクラス変数を作成しているとは考えていないが、インスタンス変数だけを作成しているとは思わないので、なぜこれが起こっているのか分かりません。何らかの理由で、set_cellsからのデータは、別のクラスインスタンスがインスタンス化されたときに永続化されます。何が起こっている？

from pdfminer.pdfdocument import PDFDocument 
from pdfminer.pdfpage import PDFPage 
from pdfminer.pdfparser import PDFParser 
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
from pdfminer.converter import PDFPageAggregator 
from pdfminer.layout import LAParams, LTTextBox, LTTextBoxHorizontal, LTTextLineHorizontal 
from tabulate import tabulate 
from utils import clean_string 
from collections import namedtuple 


class PdfTable(object): 

    def __init__(self, file_name): 
     self.file_name = file_name 
     self.table_headers = None 
     self.cells = None 
     self.rows = None 

    def process_file(self, file_name): 
     pages = [] 
     with open(file_name, 'rb') as fp: 
      parser = PDFParser(fp) 
      doc = PDFDocument(parser) 
      rsrcmgr = PDFResourceManager() 
      laparams = LAParams() 
      device = PDFPageAggregator(rsrcmgr, laparams=laparams) 
      interpreter = PDFPageInterpreter(rsrcmgr, device) 

      for page in PDFPage.create_pages(doc): 
       interpreter.process_page(page) 
       pages.append(device.get_result()) 

     return pages 

    def set_table_headers(self, page_obj, table_headers={}): 
     values = ('NAME', 'VALUE', 'REFERENCE RANGE') 
     Header = namedtuple('Header', 'name, x0, y0') 

     for obj in page_obj: 
      if isinstance(obj, LTTextLineHorizontal): 
       text = clean_string(obj.get_text()) 
       if text in values: 
        table_headers[text] = Header(text, obj.bbox[0], obj.bbox[1]) 
      elif isinstance(obj, LTTextBoxHorizontal): 
       self.set_table_headers(obj, table_headers) 

     return table_headers 

    def set_cells(self, page, headers, cells=[]): 
     Cell = namedtuple("Cell", "col, text, x0, y0") 
     col = None 
     text = None 

     for obj in page: 
      if isinstance(obj, LTTextLineHorizontal): 
       obj_x0 = obj.bbox[0] 
       obj_y0 = obj.bbox[1] 

       if obj_y0 < headers['NAME'].y0 and (obj_x0 == headers['NAME'].x0 or 
        obj_x0 == headers['VALUE'].x0 or obj_x0 == headers['REFERENCE RANGE'].x0): 

        if obj_x0 == headers['NAME'].x0: 
         col = 'NAME' 
        elif obj_x0 == headers['VALUE'].x0: 
         col = 'VALUE' 
        elif obj_x0 == headers['REFERENCE RANGE'].x0: 
         col = 'REFERENCE RANGE' 

        text = clean_string(obj.get_text()) 
        if text: 
         cells.append(Cell(col, text, obj_x0, obj_y0)) 

      elif isinstance(obj, LTTextBoxHorizontal): 
       self.set_cells(obj, headers, cells) 

     return cells 

    def set_rows(self, cells): 
     Cell = namedtuple("Cell", "col, text, x0, y0") 
     Row = namedtuple('Row', 'test, value, ref_range, y0') 

     name_col = [cell for cell in cells if cell.col == 'NAME'] 
     value_col = [cell for cell in cells if cell.col == 'VALUE'] 
     ref_col = [cell for cell in cells if cell.col == 'REFERENCE RANGE'] 

     # normalize val col with blank cells to match name col length 
     values_y0 = [cell.y0 for cell in value_col] 
     missing_val_cells = [cell.y0 for cell in name_col if cell.y0 not in values_y0] 
     value_col += [Cell('VALUE', None, None, y) for y in missing_val_cells] 

     rows = [Row(name_cell.text, value_cell.text, ref_cell.text, name_cell.y0) 
       for name_cell in name_col for value_cell in value_col 
       for ref_cell in ref_col 
       if name_cell.y0 == value_cell.y0 == ref_cell.y0] 

     return rows 

    def parse_pages(self): 
     pages = self.process_file(self.file_name) 
     self.set_metadata(pages[0]) 

     for page in pages: 
      self.table_headers = self.set_table_headers(page) 
      self.cells = self.set_cells(page, self.table_headers) 

     self.rows = self.set_rows(self.cells) 


if __name__ == "__main__": 
    file_1 = PdfTable("RawData/pdfs/3768958-2.pdf") 
    file_1.parse_pages() 

    print("file_1 cells") 
    print tabulate(file_1.cells, headers="keys", showindex="always") 

    file_2 = PdfTable("RawData/pdfs/3768959.pdf") 
    file_2.parse_pages() 

    print("\nfile_2 cells") 
    print tabulate(file_2.cells, headers="keys", showindex="always") 

file_1.cells

col    text     x0  y0 
-- --------------- --------------- -------- ------- 
0 NAME    TP    42.8571 570.887 
1 NAME    RIN    42.8571 554.172 
2 VALUE   13.5    221.716 570.887 
3 VALUE   1.0    221.716 554.172 
4 REFERENCE RANGE 11.8-14.2 (SEC) 412.555 570.887 
5 REFERENCE RANGE 0.8-1.2   412.555 554.172 

file_2.cells

col    text      x0  y0 
-- --------------- -------------------- -------- ------- 
0 NAME    TP      42.8571 570.887 
1 NAME    RIN     42.8571 554.172 
2 VALUE   13.5     221.716 570.887 
3 VALUE   1.0     221.716 554.172 
4 REFERENCE RANGE 11.8-14.2 (SEC)  412.555 570.887 
5 REFERENCE RANGE 0.8-1.2    412.555 554.172 
6 NAME    RSW     42.8571 570.887 
7 NAME    BCW     42.8571 554.172 
8 VALUE   8.7     221.716 570.887 
9 VALUE   25.6     221.716 554.172 
10 REFERENCE RANGE 4.5-12.5    412.555 570.887 
11 REFERENCE RANGE 14.0-30.0    412.555 554.172 

期待file_2.cells

col    text      x0  y0 
-- --------------- -------------------- -------- ------- 
0 NAME    RSW     42.8571 570.887 
1 NAME    BCW     42.8571 554.172 
2 VALUE   8.7     221.716 570.887 
3 VALUE   25.6     221.716 554.172 
4 REFERENCE RANGE 4.5.-12.5    412.555 570.887 
5 REFERENCE RANGE 14.0-30.0    412.555 554.172 

file_1.cellsがfile_2.cellsの前に付いているだけでなく、file_2を処理した後、file_1.cellsは両方のインスタンスのセルの組み合わせです。

Answer 1

変更可能な既定の引数table_headers={}とcells=[]があります。おそらく問題であるか、少なくとも他の問題を引き起こす可能性があります。これらの値はメソッドへの呼び出しで共有されるため、1つの呼び出しの変更が他の場所に反映されます。