140 lines
4.1 KiB
Bash
140 lines
4.1 KiB
Bash
#!/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.
|
|
#
|
|
###############################################################################
|
|
|
|
clear
|
|
|
|
# Tesseract existe ?
|
|
|
|
tesseract --version > /dev/null
|
|
RETURNCODE=$?
|
|
if [ $RETURNCODE -ne 0 ] ; then
|
|
echo -e "Déploiement de TESSERACT OCR avec APT\n"
|
|
sudo sudo apt install tesseract-ocr tesseract-ocr-fra
|
|
fi
|
|
|
|
tesseract --version > /dev/null
|
|
RETURNCODE=$?
|
|
if [ $RETURNCODE -ne 0 ] ; then
|
|
echo -e "Impossible d'utiliser TESSERACT\n"
|
|
exit 127
|
|
fi
|
|
|
|
fichierLog=convertPDF.log
|
|
|
|
echo -e "\n"
|
|
echo -e "==> Préparation de l'environnement...\n" | tee $fichierLog
|
|
|
|
date_en_cours=$(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.lst
|
|
|
|
|
|
while read -e aLine
|
|
do
|
|
echo "[NFO] $aLine">>$fichierLog
|
|
if [ ${#aLine} -ge 2 ]; then
|
|
echo " a traiter.">>$fichierLog
|
|
mesFichiers[$i]=$aLine
|
|
i=$(($i+1))
|
|
fi
|
|
done < fichiersATraiter.lst
|
|
|
|
|
|
echo -e "\n"
|
|
echo -e "==> Traitement des PDF en cours...\n" | tee -a $fichierLog
|
|
|
|
|
|
# Parcours du tableau
|
|
nb_element=${#mesFichiers[*]}
|
|
echo -e "[NFO] Nombre de fichiers : $nb_element\n" | tee -a $fichierLog
|
|
|
|
for in_file in "${mesFichiers[@]}"
|
|
do # Liste tous les éléments du tableau.
|
|
echo -e " [NFO] Nom du fichier : \"$in_file\"\n" | tee -a $fichierLog
|
|
|
|
if [ ${#in_file} -ge 2 ]; then
|
|
|
|
echo -e "________________________________________________________________________________\n" | tee -a $fichierLog
|
|
echo -e " [NFO] Input \"$in_file\"\n" | tee -a $fichierLog
|
|
|
|
# Replace the file type
|
|
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1$output_file_type/g")
|
|
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
|
|
|
|
echo -e " [NFO] Output \"$out_file\"\n" | tee -a $fichierLog
|
|
|
|
if [ "$in_file" != "$out_file" ]; then
|
|
|
|
echo -e " [NFO] Conversion (1re méthode) du PDF avec pdftocairo et convert \n" | tee -a $fichierLog
|
|
# explode to jpeg
|
|
echo -e " [NFO] PDFTOCAIRO : Création des fichiers JPG \"$in_file\"\n" | tee -a $fichierLog
|
|
pdftocairo "$in_file" -jpeg | tee -a $fichierLog
|
|
|
|
echo "" | echo -e " [NFO] PDFTOTEXT : Extraction du texte dans \"$out_file_txt\"\n" | tee -a $fichierLog
|
|
pdftotext "$in_file" "$out_file_txt" | tee -a $fichierLog
|
|
|
|
# OCR
|
|
echo -e " [NFO] TESSERACT : Détection par OCR des fichiers JPG \n" | tee -a $fichierLog
|
|
for i in *.jpg
|
|
do
|
|
echo -e "\n [NFO] TESSERACT : Fichier image \"$i\"\n" | tee -a $fichierLog
|
|
tesseract -l fra "$i" "$i.ocr" | tee -a $fichierLog
|
|
cat "$i.ocr.txt" >> "$out_file.ocr.txt"
|
|
rm "$i.ocr.txt"
|
|
done
|
|
|
|
# contact jpeg to pdf
|
|
echo -e " [NFO] CONVERT : Concatenation des JPG en PDF dans \"$out_file\" \n" | tee -a $fichierLog
|
|
convert -verbose *.jpg "$out_file" | tee -a $fichierLog
|
|
|
|
echo -e " [NFO] RM : Suppresison des JPG \n" | tee -a $fichierLog
|
|
rm -v *.jpg | tee -a $fichierLog
|
|
|
|
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\195_$output_file_type/g")
|
|
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
|
|
|
|
# echo "" | pdftocairo "$in_file" -jpeg -jpegopt quality=95 convert *.jpg "$out_file" rm *.jpg
|
|
|
|
echo -e " [NFO] GS : Conversion (2eme méthode) du PDF \n" | tee -a $fichierLog
|
|
gs -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -dPDFSETTINGS=/ebook -sOutputFile="$out_file.pdf" "$in_file"
|
|
|
|
echo -e "==> Finished "$out_file "\n\n" | tee -a $fichierLog
|
|
|
|
fi
|
|
fi
|
|
|
|
done
|
|
|
|
echo -e "\n\n==== DONE CONVERTING FILES ====" | tee -a $fichierLog
|
|
|
|
|
|
|
|
|
|
exit 0
|