Распознать текст в сканах документов
Прогоняет папку со сканами через Tesseract и сохраняет текст рядом с картинками.
Что делает скрипт
Скрипт находит PNG, JPEG, TIFF и BMP, запускает tesseract с указанным языком и пишет текстовый файл для каждого изображения. Одинаковые имена из разных папок не перезаписываются без --force. Для русского языка нужен установленный языковой пакет rus.
- Качество зависит от разрешения скана и языковых пакетов Tesseract.
Быстрый старт
bash ocr_images.sh --input ./scans --lang eng
Скачайте файл, откройте терминал в папке со скриптом и выполните команду.
Другие варианты
bash ocr_images.sh --input ./scans --lang rus+eng --outdir textbash ocr_images.sh --input page.png --lang eng --force
Что понадобится
sudo apt install bash
brew install bash
sudo apt install tesseract-ocr tesseract-ocr-rus
brew install tesseract tesseract-lang
ocr_images.sh
#!/usr/bin/env bash
set -euo pipefail
usage() {
echo "Использование: $0 --input <файл или папка> [--outdir <папка>] [--lang eng] [--force]"
}
input=""
outdir="ocr"
lang="eng"
force=0
while [[ $# -gt 0 ]]; do
case "$1" in
--input) input="${2:-}"; shift 2 ;;
--outdir) outdir="${2:-}"; shift 2 ;;
--lang) lang="${2:-}"; shift 2 ;;
--force) force=1; shift ;;
-h|--help) usage; exit 0 ;;
*) echo "Неизвестный аргумент: $1" >&2; usage >&2; exit 2 ;;
esac
done
if [[ -z "$input" || ! -e "$input" ]]; then
echo "Укажите существующий файл или папку через --input" >&2
exit 2
fi
if ! command -v tesseract >/dev/null 2>&1; then
echo "Tesseract не найден в PATH" >&2
exit 2
fi
files=()
if [[ -f "$input" ]]; then
files+=("$input")
elif [[ -d "$input" ]]; then
while IFS= read -r -d '' file; do
files+=("$file")
done < <(find "$input" -type f \( -iname '*.png' -o -iname '*.jpg' -o -iname '*.jpeg' -o -iname '*.tif' -o -iname '*.tiff' -o -iname '*.bmp' \) -print0)
else
echo "Путь не является файлом или папкой: $input" >&2
exit 2
fi
if [[ ${#files[@]} -eq 0 ]]; then
echo "Изображения не найдены" >&2
exit 1
fi
mkdir -p "$outdir"
saved=0
failed=0
for source in "${files[@]}"; do
name="$(basename "${source%.*}")"
base="$outdir/$name"
if [[ -e "$base.txt" && "$force" -eq 0 ]]; then
echo "Пропуск, уже существует: $base.txt"
continue
fi
if tesseract "$source" "$base" -l "$lang" >/dev/null 2>&1; then
if [[ -f "$base.txt" ]]; then
echo "Готово: $base.txt"
saved=$((saved + 1))
fi
else
echo "Не удалось распознать: $source" >&2
failed=$((failed + 1))
fi
done
echo "Распознано файлов: $saved, ошибок: $failed"
[[ "$failed" -eq 0 ]]
Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.