将使用GNU并行的两个命令组合起来用于OCR项目

Question

我想编写一个脚本，它可以运行一个命令到OCR pdfs，在写入文本文件后删除生成的图像。

我想要结合的两个命令如下。

该命令创建文件夹，提取从每个PDFpgm，并将它们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 {}' 

此命令不会在OCR并删除所得到的图像（pgm）：

time find . -name \*.pgm | parallel -j 4 --progress 'tesseract {} {.} -l deu_frak && rm {.}.pgm' 

我想要合并这两个命令，以便脚本在每个OCR之后删除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，并且只有在这之后删除图像作为最后一步。

所以，

1. 从PDF
创建文件夹
2. 提取PGM从PGM
3. OCR为TXT
4. 删除PGM图像，这只是已使用（失踪）

基本上，我希望这4个步骤按此顺序完成，每个PDF分开，并非全部PDF处于打开状态CE。我怎样才能做到这一点？

编辑：

我解决我的问题，第一次尝试是建立以下命令：

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' 

然而，正方体不会找到语言包。

Answer 1

更新回答

我没有测试此，请在你的文件的一小部分的副本运行它。通过运行

#!/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 {} {.} 

您应该能够测试doit()功能，无需parallel：您可以DEBUG:在开始关闭的消息，如果你是幸福的，看起来不错

doit someFile.pdf someFile 

原来的答案

如果你想为每个参数做很多事情，在GNU并行，最简单的方法是声明一个bash函数，然后调用它。

它看起来像这样：

# 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 {} {.}