如何删除Tesseract中无对应.box文件的.gt.txt与.tif文件

适用于Linux/macOS的Shell脚本 #

遍历所有.gt.txt文件，检查对应的.box文件是否存在，若不存在则删除该.gt.txt及其配对的.tif文件：

# 遍历当前目录下的所有.gt.txt文件
for f in *.gt.txt; do
    # 提取基础文件名（去掉.gt.txt后缀）
    base="${f%.gt.txt}"
    # 检查对应的.box文件是否存在
    if [ ! -f "$base.box" ]; then
        # 删除无.box配对的.gt.txt和.tif文件
        rm "$f" "$base.tif"
        echo "已清理：$f 和 $base.tif"
    fi
done

如果需要递归处理子目录，改用find命令：

find . -name "*.gt.txt" -type f | while read -r gtfile; do
    base="${gtfile%.gt.txt}"
    boxfile="$base.box"
    tiffile="$base.tif"
    if [ ! -f "$boxfile" ]; then
        rm "$gtfile" "$tiffile"
        echo "已清理：$gtfile, $tiffile"
    fi
done

适用于Windows的PowerShell脚本 #

Windows环境下用以下PowerShell命令批量处理：

Get-ChildItem -Filter *.gt.txt -Recurse | ForEach-Object {
    $base = $_.BaseName -replace '\.gt$', ''
    $boxPath = Join-Path $_.DirectoryName "$base.box"
    $tifPath = Join-Path $_.DirectoryName "$base.tif"
    
    if (-not (Test-Path $boxPath)) {
        Remove-Item $_ -Force
        if (Test-Path $tifPath) {
            Remove-Item $tifPath -Force
        }
        Write-Host "已删除：$($_.FullName) 和 $tifPath"
    }
}

内容的提问来源于stack exchange，提问作者Dellu