作为Python新手，我实现了将PDF转为JPEG再提取文本的功能，但代码仅能处理PDF的最后一页，生成该页的JPEG文件并将内容写入文本文件，其余页面未被处理。请问该问题的原因是什么？如何修复？

问题原因分析 #

看你的代码，核心问题出在第二个循环的文件名复用上：

• 第一个for循环遍历PDF的每一页，生成了page_1.jpg、page_2.jpg……page_n.jpg这些图片，但每次循环都会把当前页的文件名覆盖到filename变量里。
• 当第一个循环结束后，filename已经变成了最后一页的图片名（比如page_5.jpg，如果PDF有5页的话）。
• 到第二个循环处理OCR时，你始终用filename去打开图片，相当于每次都在读取最后一页的图片，自然只会输出最后一页的文本。

修复方案 #

只需要在第二个循环里，根据当前的循环索引i动态生成对应的图片文件名即可，不用复用之前的filename变量。修改后的完整代码如下：

from PIL import Image
import pytesseract
import sys
from pdf2image import convert_from_path
import os

PDF_file = "file2.pdf"
pages = convert_from_path(PDF_file, 500)
image_counter = 1

# 第一步：把PDF的每一页转成JPEG
for page in pages:
    filename = f"page_{image_counter}.jpg"
    page.save(filename, 'JPEG')
    image_counter += 1

filelimit = image_counter - 1
outfile = "out_text.txt"

# 第二步：遍历所有生成的图片，提取文本并写入文件
# 用with语句自动管理文件，避免遗漏关闭操作
with open(outfile, "a") as f:
    for i in range(1, filelimit + 1):
        # 动态生成当前要处理的图片文件名
        current_img = f"page_{i}.jpg"
        text = pytesseract.image_to_string(Image.open(current_img))
        # 去掉换行时的连字符（比如单词被拆成两行的情况）
        text = text.replace('-\n', '')
        f.write(text)

额外优化建议 #

• 文件管理更安全：用with语句操作文件，Python会在代码块结束后自动关闭文件，比手动调用f.close()更可靠。
• 清理临时文件：如果不需要保留生成的JPEG图片，可以在OCR完成后遍历删除这些临时文件，比如在代码最后加上：

  for i in range(1, filelimit + 1):
      os.remove(f"page_{i}.jpg")
  

• 优先直接提取文本：如果你的PDF本身是可编辑的（不是扫描件），用pdfplumber或PyPDF2直接提取文本会比转图片OCR速度更快、准确率更高，不用走OCR的弯路。

内容的提问来源于stack exchange，提问作者JohnD