将HOCR输出转换为字符串(用于正则表达式目的)的策略是什么？

Question

我正在使用Pytesseract，并希望将HOCR输出转换为字符串。当然，这样的函数是在Pytesseract中实现的，但我想了解更多关于如何实现它的可能策略。

from pytesseract import image_to_pdf_or_hocr
hocr_output = image_to_pdf_or_hocr(image, extension='hocr')

Answer 1

因为hOCR是一种.xml，所以我们可以使用.xml解析器。

但首先我们需要将tesseract的二进制输出转换为str：

from pytesseract import image_to_pdf_or_hocr

hocr_output = image_to_pdf_or_hocr(image, extension='hocr')
hocr = hocr_output.decode('utf-8')

现在我们可以使用xml.etree来解析它：

import xml.etree.ElementTree as ET

root = ET.fromstring(hocr)

xml.etree为我们提供了一个text iterator，我们可以将其结果连接到一个字符串中：

text = ''.join(root.itertext())