Pdf 使用GNU parallel for OCR项目组合两个命令

我想写一个脚本，它运行一个命令到

OCR

pdfs，在写入文本文件后删除生成的图像

我想要组合的两个命令如下

此命令用于创建文件夹，从每个

PDF

中提取

pgm

，并将其添加到每个文件夹中：

time find . -name \*.pdf | parallel -j 4 --progress 'mkdir -p {.} && gs -dQUIET -dINTERPOLATE -dSAFER -dBATCH -dNOPAUSE -dPDFSETTINGS=/screen -dNumRenderingThreads=4 -sDEVICE=pgmraw -r300 -dTextAlphaBits=4 -sProcessColorModel=DeviceGray -sColorConversionStrategy=Gray -dOverrideICC -o {.}/{.}-%03d.pgm {}'

此命令执行OCR并删除生成的图像（

pgm

）：

我想合并这两个命令，以便脚本在每次OCR后删除

pgm

图像。如果我运行上述命令，第一个命令将提取图像并占用我的磁盘空间，然后第二个命令将执行OCR，只有在这之后，作为最后一步删除图像

所以

创建文件夹

从PDF中提取PGM

从PGM到txt的OCR

删除刚刚使用过的PGM图像（丢失）

基本上，我希望对每个

PDF

单独执行这4个步骤，而不是同时对所有

PDF

执行这4个步骤。我该怎么做

编辑：

我解决问题的第一次尝试是创建以下命令：

time find . -name \*.pdf | parallel -j 4 -m --progress --eta 'mkdir -p {.} && gs -dQUIET -dINTERPOLATE -dSAFER -dBATCH -dNOPAUSE -dPDFSETTINGS=/screen -dNumRenderingThreads=4 -sDEVICE=pgmraw -r300 -dTextAlphaBits=4 -sProcessColorModel=DeviceGray -sColorConversionStrategy=Gray -dOverrideICC -o {.}/{.}-%03d.pgm {}' && time find . -name \*.pgm | parallel -j 4 --progress --eta 'tesseract {} {.} -l deu_frak && rm {.}.pgm'

---

但是，tesseract找不到语言包。

更新的答案

我还没有测试过这个，请在你的一小部分文件的副本上运行它。如果您感到满意，可以在开始时使用

DEBUG:

关闭消息，它看起来不错：

#!/bin/bash

# Declare a function for "parallel" to call
doit() {
    # Get name of PDF with and without extension
    withext="$1"
    noext="$2"
    echo "DEBUG: Processing $withext into $noext"

    # Make output directory
    mkdir -p "$noext"

    # Extract as PGM into subdirectory
    gs ... -o "$noext"/"${noext}-%03d.pgm $withext"

    # Go to target directory or die with error message
    cd "$noext" || { echo ERROR: Failed to cd to $noext ; exit 1; }

    # OCR and remove each PGM 
    n=0
    for f in *pgm; do
       echo "DEBUG: OCR $f into $n"
       tesseract "$f" "$n" -l deu_frak
       echo "DEBUG: Remove $f"
       rm "$f"
       ((n=n+1))
    done 
}

# Ensure the function is exported to subshells
export -f doit

find . -name \*.pdf -print0 | parallel -0 doit {} {.}

您应该能够通过运行以下命令来测试

doit（）

函数，而不必使用

parallel

：

doit someFile.pdf someFile

原始答案

如果您想对GNU Parallel中的每个参数做很多事情，最简单的方法是声明一个

bash

函数，然后调用它

看起来是这样的：

# Declare a function for "parallel" to call
doit() {
    echo "$1" "$2"
    # mkdir something
    # extract PGM
    # do OCR
    # delete PGM
}

# Ensure the function is exported to subshells
export -f doit

find some files -print0 | parallel -0 doit {} {.}

---

请引用$1和$2-否则您对-print0的使用不会产生真正的影响：

echo“$1”“$2”

。使用函数增加了额外的好处：在单个文件上进行测试非常容易。您好Mark Setchell，感谢您提出解决方案。看起来不错！不幸的是，我无法通过将我的命令复制粘贴到您的脚本中来实现它。请注意，我是这方面的初学者。请您用我的命令来创建一个可行的解决方案好吗？这太棒了！想象一下，您将“PDF”放在一个名为test的文件夹中。你将如何继续剧本？我已经在一个更完整的版本中做了我最好的尝试。。。请温柔小心地尝试：-）有更简单的方法吗？我的主要问题是，我无法将具有两个不同文件扩展名的输入文件通过管道并行传输到GNU，例如

ls*pdf*pgm

，因为

tesseract

将停止并显示一条错误消息，即它无法打开

pdfs

。为什么我不能告诉并行查找命令中间的其他文件，就像我上面编辑的一个文件，我从<代码>查找开始。命名\*.pdf并更改为

find-名称\*.pgm

？

# Declare a function for "parallel" to call
doit() {
    echo "$1" "$2"
    # mkdir something
    # extract PGM
    # do OCR
    # delete PGM
}

# Ensure the function is exported to subshells
export -f doit

find some files -print0 | parallel -0 doit {} {.}