【51CTO精選譯文】本文將為讀者介紹如何構建一套文檔批量掃描系統。為了實現這個目標，我們將使用眾多Linux工具。這種方法具有的優點是，這個過程可以定制，以符合你特定的需求。這為你提供了一套可處理重大任務，又能靈活定制的系統。

我們將著眼于兩種可能的最終產品：每一頁都是原始頁掃描件的PDF文件，以及含有原始頁文本內容的文本文件。文本文件的內容可以搜索，我們探討了將文本文件轉換成PDF文件的若干方法。

本教程具有模塊化特點。比如說，如果你在處理一組預先掃描的圖像，那么就可以略過頭幾個步驟，直接進入到使用光學字符識別（OCR）軟件處理圖像，或者將它們轉換成PDF文件。同樣，如果你偏愛使用圖形用戶界面（GUI）工具來處理這個過程的某些環節，也沒有什么可以阻止你。話雖如此，我們還是盡量讓這個過程的每個環節都可以編寫腳本，以便實現全面自動化。

我們通過充分使用基于命令行的工具，確保這個項目的每個階段都是可以定制、可以編寫腳本。

• 相關資源
• Linux機器
• 掃描儀
• 具體步驟

第1步：安裝SANE

你可以使用程序包管理器，安裝主要的掃描儀程序包SANE（Scanner Access Now Easy）。要是你已安裝了SANE，但是掃描儀訪問起來還是有困難，網上可能有面向該掃描儀的針對特定廠商的SANE后端工具。如果是這種情況，不妨用谷歌搜索一下。

第2步：找到掃描儀

在命令行鍵入scanimage -L命令，檢查一下SANE能否與你的掃描儀兼容。要是你的掃描儀得到支持，文本輸出就會含有設備名稱。你需要的那部分就是冒號前面的第一個元素。

第3步：掃描圖像

鍵入scanimage -d [設備名稱] > test.pnm，快速測試掃描某個對象。這會使用默認設置來掃描一頁內容。在圖形查看器中打開掃描后的文件，檢查一下。要是遇到了問題，可以添加-v選項，以便排查故障。

第4步：完善scanimage選項

如果你打算使用OCR處理文本，或者不需要顏色，那么300 DPI分辨率和黑白是兩個典型的選項。首先，這縮小了文件尺寸。scanimage -d [設備名稱] -format=tiff -mode Lineart -resolution和300 > [文件名稱]是兩個典型的選項。

第5步：創建掃描腳本

我們將使用進行掃描的命令行字符串創建第一個腳本。使用一個文本編輯器，創建一個名為scan.sh的文件。添加#!/bin/bash作為頭一行。添加你所用的掃描儀系列作為第二行。保存該文件。在命令行鍵入chmod +x scan.sh，讓這個腳本成為可執行腳本。將./scan.sh鍵入到終端，以便運行它。接下來，我們在必要的階段可以創建諸如此類的額外腳本。你可以把這些腳本合并成一個長腳本，也可以單獨調用不同的階段。

第6步：計算裁剪尺寸

用不著為這個階段的旋轉文檔而操心。你可以使用程序包管理器，安裝GIMP。在GIMP中打開掃描后文檔，從工具面板中選擇裁剪工具。讓裁剪區覆蓋文檔的有效部分，然后在裁剪對話框中記下裁剪尺寸。如果你打算把迎面頁分割成不同頁面，就要記下適當的頁面尺寸。別在GIMP中進行裁剪，因為我們稍后會從命令行來進行裁剪。

第7步：安裝ImageMagick

使用程序包管理器，將ImageMagick安裝到你的系統上。我們使用convert命令，與這個圖像處理器工具進行交互。我們可以用它來旋轉和裁剪圖像，還可以用它來分割頁面。要注意：convert在選項前面使用了單破折號。

第8步：裁剪頁面

利用通過使用GIMP獲得的相關參數，執行裁剪任務。鍵入convert [圖像名稱] +repage -crop [x width]x[y width]+[x offset]+y[offset] [輸出名稱]。比如說，convert page1.png +repage -crop 2244×3113+1+1 page1_crop.png就會裁剪從上邊和左邊1個像素開始、尺寸為2244 x 3113的矩形頁面。

第9步：旋轉頁面

如果你不得不雙面掃描頁面，不妨使用ImageMagick來旋轉頁面。convert [輸入名稱] -rotate 90 [輸出名稱]可以完成這項任務。

第10步：分割迎面頁

與之前一樣，使用GIMP的裁剪功能，算出裁剪頁面的確切尺寸。convert page1.tiff +repage -crop 2233×1579+0+1529 page1_a.tiff以及隨后的convert page1.tiff +repage -crop 2233×1546+0+0 page1_b.tiff，可以從兩個迎面頁創建兩個不同的文件。

第11步：創建預先處理的腳本

上面是一個示例的預先處理腳本。它創建了一個名為splits的目錄，然后旋轉每個掃描件，之后將其分割成按順序編號的兩個頁面。最后，它刪除經過旋轉的文件。保存它，然后鍵入chmod +x命令，讓它成為可執行腳本。

第12步：掃描儀批處理模式

使用針對多個頁面的-batch系列選項。要是你沒有送紙器，那就添加-batch-prompt選項，以便每次掃描之間加以提示。此外，可以添加-batch=./$page_%03d.tiff，提供以"page"開頭、以帶三個0的數字結尾的文件名稱。

第13步：在掃描儀中預先裁剪

你也許能夠在掃描儀中裁剪頁面，這可以帶來更小的文件和更快的操作，因為掃描頭沒必要掃過很遠的距離。使用GIMP中的裁剪工具，在對話框中將單位由px（像素）改成mm（毫米），算出你所需要的尺寸和偏移量。要是結果證明以這種方式獲得的信息不準確，不妨考慮改用原始的辦法，使用直尺。在scanimage命令行上，額外標志的格式是-l [左邊] -x [寬度] -t [上邊] -y [高度].

第14步：雙面文檔

如果你要掃描雙面文檔，使用之前所說的batch選項，但要添加-batch-double選項，以便將頁面數遞增2個。在第二次掃描時，針對另一面，再次進行同一番操作，不過添加-batch-start=2，讓編號遞增。

第15步：將掃描件轉換成PDF

你可以使用ImageMagick，將裝滿掃描后圖像的目錄轉換成PDF"書冊"。convert *.tiff output.pdf這個命令會創建一個多頁文檔。如果你需要插入標題頁，將其命名為page000.tiff，然后放到該目錄中。

第16步：借助Tesseract，使用OCR處理文本

不妨在測試頁上試一下OCR引擎。為此，鍵入tesseract [輸入文件名稱] [輸出文件]。別給輸出文件名稱添加文件擴展名，因為文件擴展名會由Tesseract來添加。請注意：Tesseract可以檢測出多列文本和迎面頁。

第17步：OCR批處理

使用下列Bash代碼，使用OCR處理裝滿掃描后頁面的目錄：for i in *.tiff ; do tesseract $i outtext$i; done;最終結果是一組文本文件。使用cat *.txt >[輸出文本文件]，將這些文件結合起來。

第18步：文本格式化

默認情況下，Tesseract會將回車符插入到之前源文本中出現的同一個位置。你可以使用下面這個命令：fmt -u [輸入文件] > [輸出文件]，重新為文本文件制作格式。

第19步：在LibreOffice中編輯文本

只要將從前幾個步驟所得的輸出結果剪貼到LibreOffice Writer中。在這個階段，你可以控制編輯，并手動編輯節頭等參數。你甚至可以插入來自原文檔的圖像。

第20步：從LibreOffice導出PDF文件

LibreOffice有一些內置工具，可用于創建PDF文件。如果你最終敲定了布局和格式，就進入到File（文件）>Export as PDF（導出為PDF文件）。由此處，點擊Export（導出），為文檔取個名稱。

第21步：可以編寫腳本的PDF創建

使用程序包管理器，安裝iconv、ps2pdf和enscript這幾個程序包。鍵入iconv -f UTF-8 -t ISO-8859-1 -c [輸入文本文件][輸出文本文件]，準備好文本文件。鍵入enscript [文本文件] -p [輸出postscript文件.ps]。鍵入ps2pdf [.ps文件]，將PostScript轉換成PDF。

原文鏈接：http://www.linuxuser.co.uk/tutorials/automatic-mass-scanning-of-documents-tutorial