如何在Python中基于Pytesseract OCR仅处理PDF前5页

要实现只处理每个PDF的前5页，核心是在PDF转图片阶段就限制只转换前5页，避免不必要的资源消耗，同时确保后续OCR只处理这些页面。以下是修改后的代码及关键说明：

修改后的完整代码 #

import os
import time
from pdf2image import convert_from_path
import pytesseract

# 配置Tesseract路径
pytesseract.pytesseract.tesseract_cmd = "Path to pytesseract"
# PDF文件所在目录
path = r"Path to PDF"
os.chdir(path)

# 假设FoundFiles是你获取到的PDF文件名列表
for counterDocuments in range(len(FoundFiles)):
    filePath = os.path.join(path, FoundFiles[counterDocuments])
    ResultPageNumber = []
    st = time.time()
    
    # 仅转换PDF的前5页（如果PDF页数不足5页，则转换所有现有页面）
    doc = convert_from_path(filePath, first_page=1, last_page=5)
    
    # 遍历转换后的页面（最多5页）
    for page_number, page_data in enumerate(doc):
        txt = pytesseract.image_to_string(page_data, lang='eng')
        # 后续的关键词搜索、CSV导出逻辑保留在此处
        # ...

    et = time.time()
    print(f"处理文件 {FoundFiles[counterDocuments]} 耗时: {et - st:.2f} 秒")

关键修改点 #

• PDF转图片时限制页数：调用convert_from_path时添加first_page=1, last_page=5参数，直接只生成前5页的图片。如果目标PDF的页数少于5页，该方法会自动转换所有现有页面，无需额外判断。
• 优化文件路径拼接：用os.path.join()替代手动拼接路径，避免因系统分隔符不同导致的错误。
• 修正循环逻辑：原代码中for n in FoundFiles却使用counterDocuments索引，改为for counterDocuments in range(len(FoundFiles))更符合逻辑，你也可以直接遍历文件名：for filename in FoundFiles: filePath = os.path.join(path, filename)。

如果坚持要在OCR循环阶段做判断（不推荐，因为还是会转换所有页面），也可以在循环中添加条件：

for page_number, page_data in enumerate(doc):
    # page_number从0开始，判断小于5即可只处理前5页
    if page_number < 5:
        txt = pytesseract.image_to_string(page_data, lang='eng')
        # 后续逻辑...
    else:
        break

但这种方式会先把整个PDF转成图片，再跳过后续页面，浪费资源，优先推荐第一种方法。

内容的提问来源于stack exchange，提问作者jaayjoo