☰

次の状況を処理するために、この再帰ディレクトリファイル検索の入力と名前の出力をどのように更新できますか？

tag-icon • tag-icon find alias ocr
次の状況を処理するために、この再帰ディレクトリファイル検索の入力と名前の出力をどのように更新できますか？

ディレクトリを繰り返しパスし、PDFをocrsし、PDFを更新するスクリプトを更新しています。

シンプルなバージョンでは動作します。

ocrmypdf -l vie --deskew --clean --force-ocr --sidecar vietnamese_website.txt Vietnamese\ Website.jpg Vietnamese\ Website.pdf --verbose 1

フォルダを繰り返し繰り返し、さまざまなファイル形式を使用したいので、検索を次に拡張しました。

find . \( -name '*.pdf' -o -name '*.jpg' -o -name '*.tiff' -o -name '*.jpeg' -o -name '*.tif' -o -name '*.png' \)

バッチ処理と並列処理の例は次のとおりです。

find .  -name '*.pdf' | parallel --tag -j 2 ocrmypdf -l languages --deskew --clean --force-ocr --verbose 1 '{}' '{}'

私の質問は2つの部分に分かれています。

「言語」は、サポートされているハイパースクエアトレーニングデータの完全なリストのエイリアスです。拡張するには、macOSのシェルに次のように入力します。エイリアス言語='eng+rus+vie+ukr+fra+spa+afr+amh+ara+asm+aze+aze_cyrl+bel+ben+bod+bos+bre +bul+cat+ceb+ces+chi_sim+chi_sim_vert+chi_tra +chi_tra_vert+chr+cos+cym+dan+dan_frak+deu+deu_frak+div+dzo+ell+eng+enm+epo+equ+est+eus+fao+ fas+ fil+ fin+fra+frk+frm+fry+gla+ gle+glg+grc+guj+hat+heb+hin+hrv+hun+hye+ik... など - ocrmypdf は、自分の言語がこれと同じだと思います。 --sidecarにテキストファイルを出力させたいです。 '{}.txt'はそのようなファイルがないと文句を言います。これが私がいるところです。

find . \( -name '*.pdf' -o -name '*.jpg' -o -name '*.tiff' -o -name '*.jpeg' -o -name '*.tif' -o -name '*.png' \) | parallel --tag -j 2 ocrmypdf -l languages --deskew --clean --force-ocr --sidecar '{}.txt' '{}' '{}' --verbose 1

必要なものを見つけることができる場所から得ましたが、--sidecarは満足できませんでした。それでは、エイリアスと '$1.txt'はどうすればいいですか？

答え1

私の考えには2つのポイントがあると思います。

  • エイリアス拡張はオプションではなく、最初の単語でのみ機能します。
  • 提供された名前をいくつか変更する必要がありますfind。

findコマンドラインからすべてのことを実行できますが、この目的のためにスクリプトを作成する方が簡単だと思いましたocrmypdf.sh。

#!/bin/bash

languages='eng+rus+vie+...'
base="${1%.*}
ocrmypdf -l "$languages" --deskew --clean --force-ocr --sidecar "$base.txt" "$1" "$base.pdf --verbose 1

その後、実行します。

find . \( -name '*.pdf' -o -name '*.jpg' -o -name '*.tiff' -o -name '*.jpeg' -o -name '*.tif' -o -name '*.png' \) | parallel --tag -j 2 ocrmypdf.sh '{}'

答え2

したがって、user-ralfiedlの指示に従って、MacOSXの最新のLSTMベースのTessearct 4.0には、次のことが適用されます。

更新：これらすべてを最初に行きたかった.profileまたは.bashrcにプッシュする方法を見つけることができました...以下はtxtファイルの変数を必要としません。

function do_ocr () {
    #find . -name '*.pdf' -o -name '*.jpg' -o -name '*.tif' -o -name '*.png' -o -name '*.jpeg' -o -name '*.tiff'
    find_all_formats | parallel --tag -j 2 \
    ocrmypdf -l ori+por+srp+hin+chi_sim+spa+uzb_cyrl+mar+swa+ces+urd+nep+cat+mya+lit+dan+mlt+enm+bod+tir+tgl+tha+fas+hrv+ukr+lao+ben+eus+eng+dzo+nld+vie+ita+kir+pus+msa+heb+slv+kaz+rus+eng+vie+ukr+spa \
    --clean --deskew --rotate-pages --image-dpi 300 --jpeg-quality 75 --png-quality 75 \
    -i -f -O 2 --sidecar - --force-ocr '{}' '{}' --verbose 1

}

注：Brew Install Tesseract 4.0など、4.0用の各トレーニングセットを手動で再構築する必要があります。4.0 TrainingDataのインストール手順へのGithubリンク

アップデート：Tesseract 4.0用のDockerファイルがあります。言語データとMacOSXの段階的なインストール手順を追加する必要があります。これにより、Java 8が一緒にインストールされ、ScrollViewer.jar環境にあることを確認します。これにより、上記の機能を使用してすべての言語を「自動検出」し、可能であれば画像をOCRしてPDFに変換し、コンテンツのサイドカーtxtファイル（元の言語）を生成できます。

次のステップは、言語のOffice文書をインポートして翻訳し、機械学習を使用してテキストファイルにデータを追加して画像をOCRできるようにすることです。

関連情報