PDFファイルの1ページ目だけOCR処理したい

Question

pyocrでPDFファイルをOCR処理するコードを書きましたが、最後のページだけ処理されるようで、PDFファイルが2ページ以上だと1ページが処理されません。
1ページ目だけOCR処理されるようにするにはどうすればいいでしょうか？
読み込むPDFファイルは複合機でスキャンしたもので、pdfminerによって解析した構造?はLTFigureの中にLTImageがあるようでした。
Programming with PDFMiner
よろしくお願いいたします。

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LTPage, LAParams, LTTextBox, LTTextLine, LTImage,  LTFigure
from pdfminer.converter import PDFPageAggregator
import io
from PIL import Image
import pyocr

fp = open("test.pdf", "rb")

parser = PDFParser(fp)
document = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    layout = device.get_result()

for obj in layout:
    if isinstance(obj, LTFigure):
        for obj in obj:
            if isinstance(obj, LTImage):
                images = obj

buffer = io.BytesIO()
buffer.write(images.stream.get_rawdata())
buffer.seek(0)

path_tesseract = "C:\Program Files\Tesseract-OCR"
if path_tesseract not in os.environ["PATH"].split(os.pathsep):
    os.environ["PATH"] += os.pathsep + path_tesseract
tools = pyocr.get_available_tools()
tool = tools[0]

img_org = Image.open(buffer)
builder = pyocr.builders.TextBuilder()
result = tool.image_to_string(Image.open(buffer), lang="jpn", builder=builder)
result

Answer 1

for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    layout = device.get_result()

ここの部分が問題なのだろうと思います。pageごとにdevice.get_result()をlayoutに代入しているので、このfor文が終わった時には最後のpageのdevice.get_result()だけがlayoutに残っています。

なので、仮にページ1だけ処理したいのであればfor文の1回目だけ代入処理するとかでしょうか。

for i, page in enumerate(PDFPage.create_pages(document)):
        if i == 0:
                interpreter.process_page(page)
                layout = device.get_result()

Comments

[kerokero9]

うまくいきました！ありがとうございました。