scripts-bash/local/bin/convertPDF.sh

124 lines
3.1 KiB
Bash
Raw Permalink Normal View History

#!/bin/bash
###############################################################################
#
# Script to recursively search a directory and batch convert all files of a given file type into another file
# type via HandBrake conversion.
#
# To run in your environment set the variables: hbcli - Path to your HandBrakeCLI
#
# source_dir - Starting directory for recursive search
#
# input_file_type - Input file type to search for
#
# output_file_type - Output file type to convert into
#
#
# Change log: 2012-01-08: Initial release. Tested on Mac OS X Lion.
#
###############################################################################
function message {
echo -e $1
echo -e $idLog $(date --iso-8601=seconds) $1 >> $fichierLog
}
clear
fichierLog=~/convertPDF.log
fichiersATraiter=fichiersATraiter.lst
idLog=$$-${uuidgen}
message "==> Préparation de l'environnement..."
date_en_cours=$(date +"%Y%m%d%H%M%S")
source_dir=$(pwd)
input_file_type=pdf
output_file_type="new.pdf"
declare -a mesFichiers
# Construction d'un tableau des noms de fichiers
i=0
find "$source_dir" -type f -iname "*.$input_file_type" > $fichiersATraiter
while read -e aLine
do
message "[NFO] $aLine"
if [ ${#aLine} -ge 2 ]; then
message " a traiter."
mesFichiers[$i]=$aLine
i=$(($i+1))
fi
done < $fichiersATraiter
rm $fichiersATraiter
message "==> Traitement des PDF en cours..."
# Parcours du tableau
nb_element=${#mesFichiers[*]}
message "[NFO] Nombre de fichiers : $nb_element"
for in_file in "${mesFichiers[@]}"
do # Liste tous les éléments du tableau.
message "[NFO] Nom du fichier : \"$in_file\""
if [ ${#in_file} -ge 2 ]; then
message "[NFO] Input \"$in_file\""
# Replace the file type
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1$output_file_type/g")
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
message " [NFO] Output \"$out_file\""
if [ "$in_file" != "$out_file" ]; then
# explode to jpeg
message "[NFO] PDFTOCAIRO : Création des fichiers JPG \"$in_file\""
pdftocairo "$in_file" -jpeg
message "[NFO] PDFTOTEXT : Extraction du texte dans \"$out_file_txt\""
pdftotext "$in_file" "$out_file_txt"
# OCR
message " [NFO] TESSERACT : Détection par OCR des fichiers JPG"
for i in *.jpg
do
tesseract -l fra "$i" "$i.ocr"
cat "$i.ocr.txt" >> "$out_file.ocr.txt"
rm "$i.ocr.txt"
done
# contact jpeg to pdf
message "[NFO] CONVERT : Concatenation des JPG en PDF dans \"$out_file\""
convert -verbose *.jpg "$out_file"
message "[NFO] RM : Suppresison des JPG"
rm -v *.jpg
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\195_$output_file_type/g")
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
# pdftocairo "$in_file" -jpeg -jpegopt quality=95 convert *.jpg "$out_file" rm *.jpg
message "[NFO] GS : Conversion (2eme méthode) du PDF"
gs -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -dPDFSETTINGS=/ebook -sOutputFile="$out_file.pdf" "$in_file"
message "==> Finished "$out_file ""
fi
fi
done
message "==== DONE CONVERTING FILES ===="
exit 0