Projet Bash : conversion pdf en docx

Bonjour, je suis morgan, un vieille admin système qui n'a géré quasiment que du windows...
J'ai depuis maintenant un an changer mon fusil d'épaule et ne propose plus que de l'open source à mes clients.. il sont satisfait... et moi aussi d'ailleur.

J'ai un ami qui voulait investir dans omnipage afin de scanner vers un dossier, puis omnipage aurai convertie tous les fichier pdf de se dossier en docx et supprimer le fichier original PDF.

Je pense que c'est faisable en bash ... mais comment .lol

je voulais utiliser la commande abiword --to=docs *.pdf.

mais la mise en place d'un script totale avec un scan des fichier puis une conversion me dépasse un peu.

Pourriez vous m'aider à comprendre et mettre en place ce type de solution qui pour des expert comme vous ne devrait pas être trop compliqué.

En vous remerciant par avance

Morgan

Bonjour,

oui, c'est possible : tu mets la commande (en l'adaptant un peu !) dans une boucle for qui liste les fichiers du répertoires.
c'est tout bête.

pour le reste, ne connaissant pas les commandes, et l'enchaînement des opérations... ?

merci de ta réponse. en effet c'est l'idée...une boucle.. mais je suis incapable de la mettre en place...

en gros ça serai

scan imprimante => dossier sur partage SMB => scan du dossier par un script => PDF détecté => conversion en doc => suppression du PDF original.

Voici le cahier des charges.

En vous remerciant pour votre aide

Morgan

Je commencerais par regarder du coté d'Omnipage qui doit avoir des fonctions de scripting. Par contre peut-être pas avec la version de base, ça changerait le budget du coup.

Bonjour,

Pour la surveillance du répertoire regardez incron dont c'est le travail.

Pour omnipage.. oui effectivement il le fais. mais je voulais eviter des solution propriétaire.

Je vais regarder du coté de incron

Merci , je vous fais un retour rapide.

Citation:

---

Envoyé par saturdaymofever

en effet c'est l'idée...une boucle.. mais je suis incapable de la mettre en place...

---

Voici comment faire une boucle sur tous les fichiers pdf d'un dossier:

Code:

---

1 2 3

for fichier in /chemin/vers/le/dossier/*.pdf; do ls -l "$fichier" done

---

Citation:

---

Voici le cahier des charges.

---

Le principe de ce forum est le suivant: un utilisateur écrit un script, bute sur une difficulté, énonce clairement son problème. Les participants du forum l'aident. L'utilisateur remercie. :)

Si un utilisateur arrive en disant "je ne sais pas écrire la moindre ligne de code. merci de réaliser ceci pour moi", àmha, ça risque de ne pas passer... 8O

Ou alors, ça devient de la prestation de service... c'est possible, mais probablement pas gratuit... :mouarf:

En ce qui te concerne, tu dis être un vieil admin windoze. J'imagine que tu sais écrire des commandes DOS, voire des ".BAT". L'adaptation à linux, même si elle n'est pas immédiate, devrait être faisable, avec un petit effort :)

Tu pourrais peut-être jeter un oeil à l'un des tutoriels de ce forum ici.

Oui tu as raison, je pourrai m'en sortir . et oui encore une fois c'est la facilité. désolé en effet c'est pas top.
Mes projets m’emmène déjà au bout de la nuit avec seulement 1 semaine de congés par an...

Merci en tout cas . tu as raison sur toute la ligne.

Je ferai un effort de compréhension avant de poster ;)

Merci

Citation:

---

Pour omnipage.. oui effectivement il le fais. mais je voulais eviter des solution propriétaire.

---

Je ne comprend pas. Omnipage intervient dans ton traitement ou c'est une option ? Si le produit est acheté, utilises ses fonctions de scripting car tu ne maitrises pas le script sous Linux.

Rien ne t"empêche ensuite d'essayer de le faire en script sous Linux en second temps.

Pour bash sous Linux, tu retrouvera les mêmes concepts qu'en ligne de commande DOS (et même en mieux), boucles, conditions, variables, etc. Tu as aussi plein d'outils de base fourni sous Linux pouvant te faciliter le travail.
Commences par jeter un œil ici.

question subsidiaire, quelqu'un fait ou a déjà fait de l'OCR sous Linux ? Je suis curieux de connaitre le résultat par rapport à Omnipage ou Abbyy qui font référence dans le monde Windows.

Salut,

Citation:

---

Envoyé par chrtophe

question subsidiaire, quelqu'un fait ou a déjà fait de l'OCR sous Linux ? Je suis curieux de connaître le résultat par rapport à Omnipage ou Abbyy qui font référence dans le monde Windows.

---

Un jour quelqu'un a ouvert une discussion concernant tesseract et comme je suis curieux (excellent défaut, :P), j'ai fouiné. Il en ressort ce qui suit, des notes prises en cours de manip puisque je ne connaissais absolument pas le produit :

Citation:

---

en partant d'une bête copie d'écran d'un livre google, enregistrée en .png :
- ouverture avec The Gimp, désaturation pour "mover" certains textes bleus vers du gris foncé,
plus une couleur de contraste et c'est bon.
- resize de l'image (en fait, juste la définition, 72 --> 300 dpi)
- export en .tif sans compression
puis

tesseract resampling.tif resampling.txt

et c'est tout bon ; les textes bleus ont eu un peu de mal, normal, ils étaient aussi soulignés (pointeurs vers figures, 3 corrections, 10 secondes et basta)

Attention : pas mal de virgules ont été transformées en points, et un mot bien récupéré sur une ligne a cafouillé sur une autre (reconstruction)

---

On notera qu'on ne peut pas se passer de certaines manipulations manuelles.

Et là où ce logiciel pêche (je voudrais bien savoir comment s'en sortent les autres), c'est sur les retours à la ligne qui sont transformés en vrais sauts à la ligne : pour quelques lignes ça va, s'il faut reprendre tout un bouquin ça risque d'être laborieux :
Le fichier source pour les manips :
Pièce jointe 293673
Le fichier travaillé avec The Gimp, avant ocr donc :
Pièce jointe 293674
Note pour *ici* : ce forum n'acceptant pas les .tif, pour vous proposer quelque chose de visuel, j'ai exporté le .tif en .jpg

Image du fichier texte résultant, pour bien montrer le défaut des retours à la ligne :
Pièce jointe 293679
Même topo, image du fichier texte avec la fenêtre de l'éditeur redimensionnée pour faire apparaître le défaut, et copie d'écran.
Je pense que le fichier texte que je présente ci-dessus a été nettoyé des petits défauts indiqués dans ma citation (puisque je ne les retrouve plus).

Omnipage est une option.... à 200 euros tout de même l'option lol

en ce moment je suis dans ma ligne linux et nano carte et je propose des solutions de nas avec des sauvegardes sur mes serveur cloud... des mini boitier multi os avec proxmox pour différentes taches chez le client... et me suis dis qu'un petit boitier type nano pie 2 plus avec un script ocr pourrai faire le job... je fais économiser à mon client et je développe ma gamme de petit boitier fonctionnel.

L'idée de boitiers par service, c'est pas mal, mais peut être un peu léger pour de l'OCR (qui requiert quand même de la puissance).

Bien que je préfère les retours utilisateurs (merci Jipété), lire ceci :
https://doc.ubuntu-fr.org/ocr
un petit extrait :

Citation:

---

Pour le moment, la ROC (ou OCR) n'est pas un des domaines les plus avancés sous GNU/Linux : jusqu'en 2006, les résultats étaient même en général totalement inutilisables. Cependant, les choses ont évolué rapidement en 2007 et 2008 avec tesseract et le projet Ocropus. Voici un petit guide des différentes solutions possibles avec leurs avantages, leurs inconvénients et des liens pour vous en servir.

---