使用 Python 将 hOCR 解析为 JSON答案

【问题标题】：Parsing hOCR to JSON with Python使用 Python 将 hOCR 解析为 JSON
【发布时间】：2018-07-19 11:16:36
【问题描述】：

我正在使用 tesseract-ocr 并以 hOCR 格式获取输出。我需要将此 hOCR 输出存储到数据库中（在我的例子中是 PostgreSQL）。

由于我可能需要单独来自此 hOCR 的每条信息（其中 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？如果是 JSON，如何使用 Python 将此 hOCR 解析为 JSON。也欢迎其他相关建议。

【问题讨论】：

你之前自己尝试过什么？
我仍然需要为此设计数据库，我目前正在决定工作流程和要包含在此工作流程中的元素，以存储此 hOCR 格式文件的详细信息。我不是python程序员。所以，还没有尝试实现。

【解决方案1】：

hOCR 似乎是 XML 的一种方言，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字典，最后使用 stdlib 的 json 模块将该字典转换为 JSON。

【讨论】：

是的，hOCR 是 XHTML 或 HTML 文档，请参阅文档 kba.cloud/hocr-spec/1.2/#representation。首先，您可以查看 hocr-tools 的实现，它们是使用 etree 解析 hOCR 文件的 Python 工具，然后进行一些不同的计算：github.com/tmbdev/hocr-tools。