Офис и PDF

Распознать текст в сканах документов

Прогоняет папку со сканами через Tesseract и сохраняет текст рядом с картинками.

Shell Linux macOS Средний
Скачать ocr_images.sh
Описание

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.

Перед запуском
  • Качество зависит от разрешения скана и языковых пакетов Tesseract.
Запуск

Быстрый старт

bash ocr_images.sh --input ./scans --lang eng

Скачайте файл, откройте терминал в папке со скриптом и выполните команду.

Примеры

Другие варианты

  • bash ocr_images.sh --input ./scans --lang rus+eng --outdir text
  • bash ocr_images.sh --input page.png --lang eng --force
Зависимости

Что понадобится

Bash 4+ Стандартные утилиты find и coreutils
Linux sudo apt install bash
macOS brew install bash
Tesseract OCR Для других языков добавьте языковые пакеты
Linux sudo apt install tesseract-ocr tesseract-ocr-rus
macOS brew install tesseract tesseract-lang
Исходник

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.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-ocr-images
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.