Question

我有以下场景，而且我的编码器并不多（我也不太了解bash）。我甚至没有基础工作的bash脚本可以分享，所以任何帮助都会受到赞赏。

我有一个文件共享，其中包含文件管理系统的tiff（数千个）。目标是将多个文件tiff转换并组合成单个文件pdf（最好是PDF / A 1a格式）。

目录格式：

/Document Management Root     # This is root directory
 ./2009/                      # each subdirectory represents a year
 ./2010/
 ./2011/
 ....
 ./2016/
 ./2016/000009.001            
 ./2016/000010.001
              # files are stored flat - just thousands of files per year directory

文档管理系统存储带有序列号文件名的tiff以及顺序文件后缀：

文档的每个页面都由后缀表示。创建新的非相关文档时，后缀将重新启动。在上面的示例中，000009.001是单页tiff。文件000010.001，000011.002和000012.003属于同一文档（即页面都相关）。文件000013.001代表新文档。

我需要保留多页文档的第一个文件的文件名，以便文件名可以与文档管理系统数据库交叉引用以获取元数据。

我提出的伪代码是：

for each file in {tiff directory}
    while file extension is "001"
      convert file to pdf and place new pdf file in {pdf directory}
    else 
      convert multiple files to pdf and place new pd file in {pdf  directory}

但是，无论下一个文件是什么，这似乎都会产生转换所有001文件的副作用。

非常感谢任何帮助。

编辑 - 以下两个答案都有效。第二个答案有效，但是我没有意识到我测试过的数据集与上面的情况不同，这是我的错误。

Answer 1

因此，请将以下脚本保存在您的登录（$ HOME）目录中TIFF2PDF

#!/bin/bash
ls *[0-9] | awk -F'.' '
   /001$/ { if(NR>1)print cmd,outfile; outfile=$1 ".pdf"; cmd="convert " $0;next}
          { cmd=cmd " " $0}
   END    { print cmd,outfile}'

通过进入终端并运行：

使其可执行（仅需一次）

chmod +x TIFF2PDF

然后将任何给定年份的一些文档复制到临时目录中进行尝试...然后转到目录并运行：

~/TIFF2PDF

示例输出

convert 000009.001 000009.pdf
convert 000010.001 000011.002 000012.003 000010.pdf
convert 000013.001 000013.pdf

如果看起来正确，你可以实际执行这样的命令：

~/TIFF2PDF | bash

或者，最好安装 GNU Parallel ：

~/TIFF2PDF | parallel

脚本说... “生成名称以数字结尾的所有文件的列表，并将该列表发送到awk。在awk中，使用点作为两者之间的分隔符字段，因此如果文件名为00011.0002，则$0将为00011.0002，$1将为00011，$2将为0002 1}}。现在，如果文件名以0001结尾，则打印累积的命令并附加输出文件名。然后保存带有PDF扩展名的文件名前缀作为下一个PDF的输出文件名并开始构建下一个 ImageMagick convert命令。在后续行（不以0001结尾）中，将文件名添加到文件列表中以包含在{{1最后，输出任何累积的命令并附加输出文件名。“

关于图像底部的丑陋黑色块，它的发生是因为那里有一些微小的白色斑点阻止ImageMagick移除黑色区域。我把它们用红色圈起来了：

如果您将图片模糊一点（以扩散斑点）然后获得修剪框的大小，您可以将其应用于原始的，不显眼的图像，如下所示：

PDF

我建议您先对所有图像进行复制，然后再运行PDF转换。由于您需要保存TIFF文件但扩展名为trimbox=$(convert original.tif -blur x2 -bordercolor black -border 1 -fuzz 50% -format %@ info:) convert original.tif -crop $trimbox result.tif，0001，因此您需要告诉 ImageMagick 修剪并强制输出文件类型为TIF：

作为@AlexP。提到，如果有大量文件，可能会出现globbing问题。在OSX上，ARG_MAX非常高（262144）并且您的文件名大约为10个字符，因此如果一个目录中有超过26,000个文件，则可能遇到问题。如果是这种情况，只需更改：

original=XYZ.001
trimbox=$(convert $original -blur x2 -bordercolor black -border 1 -fuzz 50% -format %@ info:)
convert $original -crop $trimbox TIF:$original

到

ls *[0-9] | awk ...

Answer 2

以下命令将转换整个/Document Management Root树（假设它是实际的绝对路径）正确处理所有子文件夹，即使名称包含空格字符并正确跳过所有其他不匹配000000.000命名模式的文件：

find '/Document Management Root' -type f -regextype sed -regex '.*/[0-9]\{6\}.001$' -exec bash -c 'p="{}"; d="${p:0: -10}"; n=${p: -10:6}; m=10#$n; c[1]="$d$n.001"; for i in {2..999}; do k=$((m+i-1)); l=$(printf "%s%06d.%03d" "$d" $k $i); [[ -f "$l" ]] || break; c[$i]="$l"; done; echo -n "convert"; printf " %q" "${c[@]}" "$d$n.pdf"; echo' \; | bash

要进行干运行，请最后删除| bash。

已更新以匹配00000000.000模式（为清晰起见，拆分为多行）：

find '/Document Management Root' -type f -regextype sed -regex '.*/[0-9]\{8\}.001$' -exec bash -c '
  pages[1]="{}"
  p1num="10#${pages[1]: -12:8}"
  for i in {2..999}; do
    nextpage=$(printf "%s%08d.%03d" "${pages[1]:0: -12}" $((p1num+i-1)) $i)
    [[ -f "$nextpage" ]] || break
    pages[i]="$nextpage"
  done
  echo -n "convert"
  printf " %q" "${pages[@]}" "${pages[1]:0: -3}pdf"
  echo
' \; | bash

ImageMagick将tiff转换为带有顺序文件后缀的pdf

2 个答案: