h1. Tesseract

h2. Envio local, exemplos de scripts

Informações sobre o uso direto do cluster local estão em [[SLURM|aqui]].

h3. Exemplo simples

Exemplo para processar todos os .tiff de um diretório usando apenas um core (serial). Verifica se já existe um arquivo processado antes.

*ocr.sh:*
<pre>
#!/bin/bash
module load tesseract

for INPUT in *.tiff
do
  BASENAME=$(basename $INPUT .tiff)

  if [ ! -f "${BASENAME}.pdf" ]
  then
    echo "Processing $INPUT"
    tesseract "$INPUT" "$BASENAME" -l por pdf
  fi
done
</pre>

<pre>
sbatch ocr.sh
</pre>

h3. Exemplo paralelo

Exemplo para processar todos os .tiff de um diretório usando múltiplos cores(paralelo).

<pre>
#!/bin/bash
module load tesseract

for INPUT in *.tiff
do
  BASENAME=$(basename $INPUT .tiff)

  if [ ! -f "${BASENAME}.pdf" ] && [ ! -f "${BASENAME}.lock" ]
  then
    # lock and wait 5 seconds (to reduce concurrency)
    echo "$SLURM_ARRAY_TASK_ID" > "${BASENAME}.lock"
    sleep 5
    
    if [ "$(cat ${BASENAME}.lock)" = "$SLURM_ARRAY_TASK_ID" ]
    then
      echo "Processing $INPUT -- (task $SLURM_ARRAY_TASK_ID)"
      TMPNAME=".$BASENAME-$SLURM_ARRAY_TASK_ID"
      tesseract "$INPUT" "$TMPNAME" -l por pdf
      mv "$TMPNAME.pdf" "$BASENAME.pdf"
      rm "${BASENAME}.lock"
    else
      echo "Lost lock on $INPUT"
    fi
  fi
done
</pre>

Para usar 30 cores:

<pre>
sbatch --array=0-30 ocr.sh
</pre>