我正在寻找要在python中实现的将hOCR文件(由tesseract在应用程序中生成的文件)转换为html表的工具或想法。
这个想法是利用hOCR文件中的文本位置信息(由bbox属性提供)来创建一个基于所提供位置的表。
我提供一个示例来说明上述想法:
我使用了来自SlideShare.net的image作为使用tesseract的应用程序的输入，并获得了下面的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">traffic</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的位置将hOCR文件转换为html表。预期的表应类似于this table。
表格单元格的大小和位置反射(reflect)了hOCR文件中提供的信息。
图片来源:slideshare.net
最佳答案
检查this document。我相信它可以描述您所需要的大部分(或全部)。
从介绍:
XML也可以是converted to HTML using XSLT。实际上，存在a project which plans to do just that。
另外，this project (hocr-tools)可能会有所帮助。
最后请注意FAQ of Tesseract提到了这一点:
关于python - 将hOCR转换为HTML表，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/31029734/