将hOCR转换为HTML表

Question

我正在寻找一个工具或想法在python中实现,将hOCR文件(由应用程序的tesseract生成)转换为html表.这个想法是利用hOCR文件中的文本位置信息(在bbox属性中提供)来创建基于所提供位置的表.我提供了一个解释上述想法的例子:

我使用SlideShare.net中的这个图像作为我使用tesseract的应用程序的输入,我得到了下面的hOCR/xml文件作为输出.

hOCR文件:

  <div class='ocr_page' id='page_2' title='image "sample_slide.jpg"; bbox 0 0 638 479; ppageno 1'>
   <div class='ocr_carea' id='block_1_1' title="bbox 0 0 638 479">
    <p class='ocr_par' dir='ltr' id='par_1' title="bbox 31 104 620 439">
     <span class='ocr_line' id='line_1' title="bbox 32 104 613 138"><span class='ocrx_word' id='word_1' title="bbox 32 105 119 131">done:</span> <span class='ocrx_word' id='word_2' title="bbox 132 104 262 138">working</span> <span class='ocrx_word' id='word_3' title="bbox 273 105 405 138">product,</span> <span class='ocrx_word' id='word_4' title="bbox 419 104 517 132">hotels</span> <span class='ocrx_word' id='word_5' title="bbox 528 104 613 132">listed</span> 
     </span>
     <span class='ocr_line' id='line_2' title="bbox 31 160 471 194"><span class='ocrx_word' id='word_6' title="bbox 31 164 62 187">to</span> <span class='ocrx_word' id='word_7' title="bbox 75 161 122 187">do:</span> <span class='ocrx_word' id='word_8' title="bbox 134 164 227 187">smart</span> <span class='ocrx_word' id='word_9' title="bbox 236 160 330 187">traf?c</span> <span class='ocrx_word' id='word_10' title="bbox 342 160 471 194">building</span> 
     </span>
     <span class='ocr_line' id='line_3' title="bbox 32 243 284 280"><span class='ocrx_word' id='word_11' title="bbox 32 243 128 280">seed</span> <span class='ocrx_word' id='word_12' title="bbox 148 243 284 280">round:</span> 
     </span>
     <span class='ocr_line' id='line_4' title="bbox 71 316 619 361"><span class='ocrx_word' id='word_13' title="bbox 71 321 156 356">CEO</span> <span class='ocrx_word' id='word_14' title="bbox 171 319 240 355">will</span> <span class='ocrx_word' id='word_15' title="bbox 260 321 384 356">invest</span> <span class='ocrx_word' id='word_16' title="bbox 517 316 619 361">$30k</span> 
     </span>
     <span class='ocr_line' id='line_5' title="bbox 75 392 620 439"><span class='ocrx_word' id='word_17' title="bbox 75 397 252 433">investor</span> <span class='ocrx_word' id='word_18' title="bbox 489 392 620 439">$120k</span> 
     </span>
    </p>
   </div>
  </div>

我需要的是根据下一个位置将hOCR文件转换为html表.预期的表应该看起来像这个表.

表格单元格的大小和位置反映了hOCR文件中提供的信息.

图片来源:slideshare.net

Answer 1

检查这个文件。我相信它描述了您需要的大部分（或全部）内容。从介绍来看：

本文档以类似 XML 的格式描述了 OCR 输出的各个方面的表示。也就是说，我们定义一组包含文本和其他标签以及这些标签的属性的标签。然而，由于我们所表示的内容是格式化的文本，所以我们实际上并没有使用新的 XML 来表示；相反，将表示形式嵌入到 XHTML（或 HTML）中，因为 XHTML 和 XHTML 处理已经定义了 OCR 输出表示形式的许多方面，否则需要额外的、单独的和临时的定义。

还可以使用 XSLT将 XML转换为 HTML 。事实上，有一个项目计划做到这一点。

另外，这个项目（hocr-tools）可能会有所帮助。

最后注意Tesseract的FAQ提到了这一点：

使用配置文件“hocr”，tesseract 将生成符合 hocr 规范的 xhtml 输出