Bash

• Supprimer les images n'ayant pas de fichiers xml associés (cas d'HTR non terminé).

for jpg in *.jpg; do [ ! -f "${jpg%.jpg}.xml" ] && rm "$jpg"; done

• Créer un dossier puis déplacer toutes les fichiers ayant une image et un xml associé pour les déplacer. (cas yolo non terminé)

mkdir -p ../data/doc_1 && for jpg in *.jpg; do xml="${jpg%.jpg}.xml"; [ -f "$xml" ] && mv "$jpg" "$xml" ../data/doc_1/; done

Ensuite pour ramener dans le bon dossier

mv ../data/doc_1/* .

• Cas mélange entre XML océrisé et seulement segmentation Check si attribut tous les attributs CONTENT sont vides, si c'est le cas enregistre dans listxml.txt

import os
import xml.etree.ElementTree as ET

folder_path = 'content/data/doc_1/'

output_file = 'content/listxml.txt'

empty_content_files = []

for filename in os.listdir(folder_path):
    if filename.endswith('.xml'):
        file_path = os.path.join(folder_path, filename)

        tree = ET.parse(file_path)
        root = tree.getroot()

        string_elements = root.findall(".//{http://www.loc.gov/standards/alto/ns-v4#}String")

        # Vérifier si tous les éléments <String> ont l'attribut CONTENT vide
        if all(string.get('CONTENT') == "" for string in string_elements):
            empty_content_files.append(filename)

with open(output_file, 'w') as f:
    for file in empty_content_files:
        f.write(f"{file}\n")

Déplacer les fichiers vers images/ présents dans le txt

xargs -I {} mv data/doc_1/{} images/ < listxml.txt

Supprimer les images n'ayant pas de fichiers xml associés (cas d'HTR non terminé).

for jpg in *.jpg; do [ ! -f "${jpg%.jpg}.xml" ] && rm "$jpg"; done

Supprimer les xml vide

find /chemin/vers/dossier -type f -name "*.xml" -size 0 -delete