115 lines
2.9 KiB
Bash
Executable File
115 lines
2.9 KiB
Bash
Executable File
#!/usr/bin/env zsh
|
||
# 並列バッチOCR（zsh + xargs）
|
||
# 依存: img2pdf, ocrmypdf, Tesseract
|
||
# 使い方:
|
||
# ./batch_ocr_parallel.zsh ROOT_DIR [OUT_DIR] [-P N] [--recursive]
|
||
# 例:
|
||
# ./batch_ocr_parallel.zsh ./ROOT ./out_pdfs -P 4 --recursive
|
||
|
||
emulate -L zsh
|
||
set -euo pipefail
|
||
|
||
# ---- 引数処理 ----
|
||
ROOT="${1:-}"
|
||
[[ -z "${ROOT}" ]] && { print -u2 -- "Usage: $0 ROOT_DIR [OUT_DIR] [-P N] [--recursive]"; exit 2; }
|
||
shift
|
||
|
||
OUT="out_pdfs"
|
||
PROCS=""
|
||
RECURSIVE=0
|
||
|
||
if (( $# )); then
|
||
# 2番目がディレクトリ名っぽければ OUT に採用
|
||
if [[ -n "${1:-}" && "${1:-}" != "-P" && "${1:-}" != "--recursive" && "${1:-}" != "-r" ]]; then
|
||
OUT="$1"; shift
|
||
fi
|
||
# 残りのオプション
|
||
while (( $# )); do
|
||
case "$1" in
|
||
-P) PROCS="${2:-}"; shift 2 ;;
|
||
--recursive|-r) RECURSIVE=1; shift ;;
|
||
*) print -u2 -- "Unknown arg: $1"; exit 2 ;;
|
||
esac
|
||
done
|
||
fi
|
||
|
||
# 並列度のデフォルト（未指定ならCPUコア数）
|
||
if [[ -z "${PROCS}" ]]; then
|
||
if command -v nproc >/dev/null 2>&1; then
|
||
PROCS="$(nproc)"
|
||
elif command -v sysctl >/dev/null 2>&1; then
|
||
PROCS="$(sysctl -n hw.ncpu)"
|
||
else
|
||
PROCS=2
|
||
fi
|
||
fi
|
||
|
||
# 出力先
|
||
mkdir -p -- "$OUT"
|
||
|
||
# ---- ワーカー（サブディレクトリ1つを処理）を一時ファイルに作成 ----
|
||
WORKER="$(mktemp -t ocrmypdf_worker.XXXXXX).zsh"
|
||
cat > "$WORKER" <<'ZSH'
|
||
#!/usr/bin/env zsh
|
||
emulate -L zsh
|
||
set -euo pipefail
|
||
setopt null_glob
|
||
|
||
ROOT="$1"
|
||
OUT="$2"
|
||
DIR="$3"
|
||
|
||
name="${${DIR#${ROOT%/}/}#/}" # ROOT/ 以降を相対名に（深い場合は "A/B"）
|
||
base="${DIR:t}" # 末尾名（単純名）
|
||
|
||
# 画像拡張子
|
||
typeset -a exts; exts=( jpg jpeg png tif tiff JPG JPEG PNG TIF TIFF )
|
||
|
||
# 画像列挙
|
||
typeset -a imgs; imgs=()
|
||
for ext in $exts; do
|
||
imgs+=("$DIR"/*.${ext})
|
||
done
|
||
|
||
if (( ${#imgs} == 0 )); then
|
||
print -u2 -- "[skip] ${name} (no images)"
|
||
exit 0
|
||
fi
|
||
|
||
# 一時PDF
|
||
tmp_pdf="$(mktemp -t "ocr_${base}.XXXXXX").pdf"
|
||
|
||
# 1) 画像 → 無劣化PDF結合（-o を先に、-- の後に入力）
|
||
img2pdf --auto-orient -o "$tmp_pdf" -- "${imgs[@]}"
|
||
|
||
# 出力ファイル名（ネストを __ でつなぐ）
|
||
out_pdf="$OUT/${name//\//__}.pdf"
|
||
mkdir -p -- "${out_pdf:h}"
|
||
|
||
# 2) OCR（タイプ打ち英語向けチューニング）
|
||
ocrmypdf \
|
||
-l eng \
|
||
--tesseract-oem 1 \
|
||
--tesseract-pagesegmode 6 \
|
||
--optimize 1 \
|
||
--output-type pdf \
|
||
"$tmp_pdf" "$out_pdf"
|
||
|
||
rm -f -- "$tmp_pdf"
|
||
print -r -- "✅ Wrote: $out_pdf"
|
||
ZSH
|
||
chmod +x "$WORKER"
|
||
|
||
# ---- 対象ディレクトリ列挙 → xargs 並列実行 ----
|
||
if (( RECURSIVE )); then
|
||
# ROOT 配下の全サブディレクトリ（ROOT 自身は除外）
|
||
find "$ROOT" -mindepth 1 -type d -print0 \
|
||
| xargs -0 -I {} -n 1 -P "$PROCS" "$WORKER" "$ROOT" "$OUT" {}
|
||
else
|
||
# 直下のサブディレクトリのみ
|
||
find "$ROOT" -mindepth 1 -maxdepth 1 -type d -print0 \
|
||
| xargs -0 -I {} -n 1 -P "$PROCS" "$WORKER" "$ROOT" "$OUT" {}
|
||
fi
|
||
|
||
print -r -- "Batch complete. (parallel: $PROCS)"
|