本文將為讀者介紹如何構建一套文件批量掃描系統。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，這個過程可以定製，以符合你特定的需求。這為你提供了一套可處理重大任務，又能靈活定製的系統。
我們將著眼於兩種可能的最終產品：每一頁都是原始頁掃描件的PDF檔案，以及含有原始頁文字內容的文字檔案。文字檔案的內容可以搜尋，我們探討了將文字檔案轉換成PDF檔案的若干方法。
本教程具有模組化特點。比如說，如果你在處理一組預先掃描的影像，那麼就可以略過頭幾個步驟，直接進入到使用光學字元識別（OCR）軟體處理影像，或者將它們轉換成PDF檔案。同樣，如果你偏愛使用圖形使用者介面（GUI）工具來處理這個過程的某些環節，也沒有什麼可以阻止你。話雖如此，我們還是儘量讓這個過程的每個環節都可以編寫指令碼，以便實現全面自動化。
我們通過充分使用基於命令列的工具，確保這個專案的每個階段都是可以定製、可以編寫指令碼。
相關資源
Linux機器
掃描器
具體步驟
第1步：安裝SANE
你可以使用程式包管理器，安裝主要的掃描器程式包SANE（Scanner Access Now Easy）。要是你已安裝了SANE，但是掃描器訪問起來還是有困難，網上可能有面向該掃描器的針對特定廠商的SANE後端工具。如果是這種情況，不妨用谷歌搜尋一下。
第2步：找到掃描器
在命令列鍵入scanimage -L命令，檢查一下SANE能否與你的掃描器相容。要是你的掃描器得到支援，文字輸出就會含有裝置名稱。你需要的那部分就是冒號前面的第一個元素。
第3步：掃描影像
鍵入scanimage -d [裝置名稱] > test.pnm，快速測試掃描某個物件。這會使用預設設定來掃描一頁內容。在圖形檢視器中開啟掃描後的檔案，檢查一下。要是遇到了問題，可以新增-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處理文字，或者不需要顏色，那麼300 DPI解析度和黑白是兩個典型的選項。首先，這縮小了檔案尺寸。scanimage -d [裝置名稱] -format=tiff -mode Lineart -resolution和300 > [檔名稱]是兩個典型的選項。
第5步：建立掃描指令碼
我們將使用進行掃描的命令列字串建立第一個指令碼。使用一個文字編輯器，建立一個名為scan.sh的檔案。新增#!/bin/bash作為頭一行。新增你所用的掃描器系列作為第二行。儲存該檔案。在命令列鍵入chmod +x scan.sh，讓這個指令碼成為可執行指令碼。將./scan.sh鍵入到終端，以便執行它。接下來，我們在必要的階段可以建立諸如此類的額外指令碼。你可以把這些指令碼合併成一個長指令碼，也可以單獨呼叫不同的階段。
第6步：計算裁剪尺寸
用不著為這個階段的旋轉文件而操心。你可以使用程式包管理器，安裝GIMP。在GIMP中開啟掃描後文件，從工具皮膚中選擇裁剪工具。讓裁剪區覆蓋文件的有效部分，然後在裁剪對話方塊中記下裁剪尺寸。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，因為我們稍後會從命令列來進行裁剪。
第7步：安裝ImageMagick
使用程式包管理器，將ImageMagick安裝到你的系統上。我們使用convert命令，與這個影像處理器工具進行互動。我們可以用它來旋轉和裁剪影像，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獲得的相關引數，執行裁剪任務。鍵入convert [影像名稱] +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個畫素開始、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以及隨後的convert page1.tiff +repage -crop 2233×1546+0+0 page1_b.tiff，可以從兩個迎面頁建立兩個不同的檔案。
第11步：建立預先處理的指令碼
上面是一個示例的預先處理指令碼。它建立了一個名為splits的目錄，然後旋轉每個掃描件，之後將其分割成按順序編號的兩個頁面。最後，它刪除經過旋轉的檔案。儲存它，然後鍵入chmod +x命令，讓它成為可執行指令碼。
第12步：掃描器批處理模式
使用針對多個頁面的-batch系列選項。要是你沒有送紙器，那就新增-batch-prompt選項，以便每次掃描之間加以提示。此外，可以新增-batch=./$page_%03d.tiff，提供以"page"開頭、以帶三個0的數字結尾的檔名稱。
第13步：在掃描器中預先裁剪
你也許能夠在掃描器中裁剪頁面，這可以帶來更小的檔案和更快的操作，因為掃描頭沒必要掃過很遠的距離。使用GIMP中的裁剪工具，在對話方塊中將單位由px（畫素）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資訊不準確，不妨考慮改用原始的辦法，使用直尺。在scanimage命令列上，額外標誌的格式是-l [左邊] -x [寬度] -t [上邊] -y [高度].
第14步：雙面文件
如果你要掃描雙面文件，使用之前所說的batch選項，但要新增-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，不過新增-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，將裝滿掃描後影像的目錄轉換成PDF"書冊"。convert *.tiff output.pdf這個命令會建立一個多頁文件。如果你需要插入標題頁，將其命名為page000.tiff，然後放到該目錄中。
第16步：藉助Tesseract，使用OCR處理文字
不妨在測試頁上試一下OCR引擎。為此，鍵入tesseract [輸入檔名稱] [輸出檔案]。別給輸出檔名稱新增副檔名，因為副檔名會由Tesseract來新增。請注意：Tesseract可以檢測出多列文字和迎面頁。
第17步：OCR批處理
使用下列Bash程式碼，使用OCR處理裝滿掃描後頁面的目錄：for i in *.tiff ; do tesseract $i outtext$i; done;最終結果是一組文字檔案。使用cat *.txt >[輸出文字檔案]，將這些檔案結合起來。
第18步：文字格式化
預設情況下，Tesseract會將回車符插入到之前源文字中出現的同一個位置。你可以使用下面這個命令：fmt -u [輸入檔案] > [輸出檔案]，重新為文字檔案製作格式。
第19步：在LibreOffice中編輯文字
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，並手動編輯節頭等引數。你甚至可以插入來自原文件的影像。
第20步：從LibreOffice匯出PDF檔案
LibreOffice有一些內建工具，可用於建立PDF檔案。如果你最終敲定了佈局和格式，就進入到File（檔案）>Export as PDF（匯出為PDF檔案）。由此處，點選Export（匯出），為文件取個名稱。
第21步：可以編寫指令碼的PDF建立
使用程式包管理器，安裝iconv、ps2pdf和enscript這幾個程式包。鍵入iconv -f UTF-8 -t ISO-8859-1 -c [輸入文字檔案][輸出文字檔案]，準備好文字檔案。鍵入enscript [文字檔案] -p [輸出postscript檔案.ps]。鍵入ps2pdf [.ps檔案]，將PostScript轉換成PDF。