使用Tesseract hOCR提取文本属性

Question

我正在使用Tesseract (在windows上)从科学图表中提取文本，例如，有许多孤立的单词或数字，但没有句子或段落。然后将HTML转换为SVG。这很好，除了我不能

• 字号
• 字体族
• 文本锚点的xy坐标
• 文本定向(例如旋转Math.PI/2标记图形轴)

我可以从边框中得到一个粗略的字体大小，但这取决于字符是上升还是下降。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有一个下划线(以“p”为单位)，bbox高度为58，而span_2的bbox高度为49 (无下降器)，span_3的bbox宽度为60，显示文本是旋转的。然而，bbox本身并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取这些属性的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

默认情况下，字体信息不包括在hOCR输出中，但如果需要，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)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)。

打开后，输出中将包括字体名称和大小。

<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Courier_New x_fsize是以点9为单位的字体大小

粗体和斜体将在字体名称中以及通过使用<strong>和<em>标记来表示。