我正在使用tesseract ocr并获得hOCR格式的输出。我需要将这个hOCR输出存储到数据库中（在我的例子中是PostgreSQL）。
因为我可能需要从这个hOCR中单独获得每一条信息（80%），哪种方法是正确的？它应该存储为XML数据类型还是解析为JSON并存储？在JSON的情况下，如何用Python将这个hOCR解析为JSON。其他相关建议也受到赞赏。
最佳答案
hOCR似乎是XML的方言，因此您应该能够使用stdlib中的xml.etree模块将hOCR代码解析为Python可导航树。然后导航该树以组成一个对象或嵌套的dict，最后使用stdlib的json模块将dict转换为JSON。
关于python - 使用Python将hOCR解析为JSON，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51421283/