使用Tesseract hOCR提取文本属性

Question

我正在使用Tesseract（在Windows上）从科学图（例如绘图）中提取文本，图中有许多孤立的单词或数字，但没有句子或段落。然后，我将HTML转换为SVG。效果很好，除了我无法得到

• 字体大小
• 字体系列
• 文本锚点的xy坐标
• 文本方向（例如旋转的Math.PI / 2用于标记图形轴）

我可以从边界框中获得粗略的字体大小，但这取决于字符是升序还是降序。因此，下面的所有行（在hOCR输出中）都具有相同的字体系列和大小：

<span class='ocrx_word' id='word_6' title="bbox 1177 491 1637 549">Herpetotherinae</span> 
<span class='ocrx_word' id='word_13' title="bbox 1183 1179 1514 1228">Cathartidae</span>
<span class='ocrx_word' id='word_35' title="bbox 1847 1742 1907 2077">Accipitridae</span> 

span_1的降序（在“ p”中），bbox的y高度为58，而span_2的bbox的高度为49（无降序），而span_3的bbox的x宽度为60，表示文本已旋转。但是，bbox本身不足以准确定位文本或确定文本方向。

我想使用Tess4J并使用任何会导致获得这些属性的API。

如果有人已经从Tess4J编写了SVG输出，我将不胜感激。（我的任何代码都是F / OSS）。

Answer 1

字体信息默认情况下不包含在hOCR输出中，但是如果需要，它是可用的。您可以通过将以下行添加到hocr配置文件（或您使用的任何配置文件）中来打开它：

hocr_font_info 1

同样的配置变量也可以在命令行上使用（或者大概是通过Tess4J包装器使用）。

启用此选项后，字体名称和大小将包含在输出中，例如

<span class='ocrx_word' id='word_3_21' title='bbox 946 1267 1121 1297; x_wconf 91; x_font Courier_New; x_fsize 9' dir='ltr'>without</span>

x_font是字体名称Courier_New x_fsize是以磅 为单位的字体大小，即9

粗体和斜体将在字体名称中以及通过使用<strong>和<em>标记来指示。