问用德国Fraktur编写的5800+ PDF的批处理OCR

EN

我想在Mac上使用开源命令行工具对OCR进行批处理，大约5800 PDF (每个PDF包含上一个问题这里的2到6页之间)。这次冒险的主要建议是，我想从所有这些PDF的文本中检索尽可能可靠的名字(最重要的是姓氏)。这里就是一个如何看待问题的例子。

在这一点上，我不知道具体如何进行。你怎么做？

我想首先将所有多页PDF转换为单个页面映像，作为png、jpg或tif，并使用以下命令将与一个PDF相关的所有图像移动到相应的文件夹中：

time for i in *.pdf; do mkdir "${i%.pdf}"; convert -colorspace GRAY -resize 3000x -units PixelsPerInch  "$i" "${i%.pdf}.jpg”; mv *.jpg "${i%.pdf}"; done 

作为第二步，我将有一个问题，我的OCR脚本将需要进入每个文件夹，发挥其魔力，并留下它，以便继续下一个。我不知道怎么写这个。剧本的核心是：

tesseract --tessdata-dir /usr/local/share/tessdata/ --oem 3 --psm 11 -l deu_frak *.jpg test.txt 

由于PDF代表的旧报纸文章，几乎每天都发表在1810至1832年间，它们是用德语弗雷克图尔写的。对于tesseract来说，这种字体似乎特别具有挑战性。我的文本输出通常是加扰的，例如，在上面链接的文章中，我只能得到第一页检测到的791到801的对话。根据所选选项的不同，不确定有风险的名称。

最后，我将使用银搜索器查找所有5800 txt文件中的名称，我希望获得。

time rg -i search_term_here

最后，如何确保我得到尽可能好的OCR输出，从而获得文本中的大多数名称？

P.S.：顺便问一下，tesseract 4什么时候才能获得Mac和德国Fraktur的培训数据？

编辑：

这些是命令，我用来实现我想要的。，尽管tesseract的输出仍有很大的改进.

将每个PDF转换为jpg，并将它们移动到相应的文件夹以保持顺序：

time parallel -j 8 'mkdir {.} && convert {} -colorspace GRAY -resize 3000x -units PixelsPerInch {.}/{.}.jpg' ::: *.pdf

使用Fred的ImageMagick脚本文本清洁器 (为了提高可用性，我已经移到/usr/local/bin/上了)来稍微增强tesseract的输出：

time find . -name \*.jpg | parallel textcleaner -g -e stretch -f 25 -o 10 -u -s 1 -T -p 10 {} {}

拟化分析：

time find . -name \*.jpg | parallel -j 8 “tesseract {} {.}.txt —tessdata-dir /usr/local/share/tessdata/ -l deu_frak”

用银器搜索姓氏

time rg -t txt -i term