将 HOCR 输出转换为字符串（用于正则表达式）的策略是啥？

Posted 2023-04-17

【中文标题】将 HOCR 输出转换为字符串（用于正则表达式）的策略是啥？

【英文标题】：What are the strategies to convert an HOCR output to a string (for regex purposes)?将 HOCR 输出转换为字符串（用于正则表达式）的策略是什么？

【发布时间】：2019-12-17 09:20:52

【问题描述】：

我正在使用 Pytesseract 并希望将 HOCR 输出转换为字符串。当然，这样的功能是在 Pytesseract 中实现的，但我想了解更多关于完成它的可能策略 thx

from pytesseract import image_to_pdf_or_hocr
hocr_output = image_to_pdf_or_hocr(image, extension='hocr')

【参考方案1】：

由于hOCR 是一种.xml，我们可以使用.xml 解析器。

但首先我们需要将 tesseract 的二进制输出转换为 str：

from pytesseract import image_to_pdf_or_hocr

hocr_output = image_to_pdf_or_hocr(image, extension='hocr')
hocr = hocr_output.decode('utf-8')

现在我们可以使用xml.etree 来解析它：

import xml.etree.ElementTree as ET

root = ET.fromstring(hocr)

xml.etree 为我们提供了一个text iterator，我们可以将其结果连接到一个字符串中：

text = ''.join(root.itertext())