Где я могу найти образцы файлов HOCR? - PullRequest
Новая
       7

Где я могу найти образцы файлов HOCR?

2 голосов
/ 25 ноября 2011

Где я могу найти образцы или примеры файлов в формате hocr?(Формат, в котором OCR извлекает текст, хранится с координатами страниц.)

Я искал в Google, но не могу набрать образцы.

Спасибо!

Ответы [ 2 ]

2 голосов
/ 30 ноября 2011

Вы можете использовать параметр командной строки Tesseract"hocr" для вывода результатов в формате hocr: 

tesseract youimage.tif out hocr
1 голос
/ 28 ноября 2011

Вот фрагмент файла hOCR с несколькими символами новой строки, добавленными для удобства чтения. К сожалению, я не помню, какой инструмент использовался для его генерации (возможно, ocropus), но я думаю, что tesseract 3.01 и, возможно, другие определили ограничивающий прямоугольник для каждого слова вместо каждой буквы в их выводе hOCR. 

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"   "http://www.w3.org/TR/html4/loose.dtd">
<html>
  <head>
    <title>
    </title>
    <meta http-equiv="Content-Type" content="text/html;charset=utf-8" >
  </head>
  <body>
    <p>
      <span title="bbox 171 287 184 302">B</span><span title="bbox 186 292 195 302">a</span><span title="bbox 196 292 205 302">n</span><span title="bbox 209 287 217 302">k</span> <span title="bbox 226 287 239 302">A</span><span title="bbox 242 292 250 303">c</span><span title="bbox 252 292 260 303">c</span><span title="bbox 262 292 272 303">o</span><span title="bbox 274 293 283 303">u</span><span title="bbox 285 293 294 303">n</span><span title="bbox 297 291 302 303">t</span> <span title="bbox 309 288 323 303">N</span><span title="bbox 326 293 335 303">u</span><span title="bbox 337 293 353 303">m</span><span title="bbox 354 288 364 303">b</span><span title="bbox 366 293 375 303">e</span><span title="bbox 377 293 380 303">r</span> 
    </p>
    <p>
      <span title="bbox 170 340 183 355">B</span><span title="bbox 186 345 195 355">a</span><span title="bbox 196 345 205 355">n</span><span title="bbox 208 340 217 355">k</span> <span title="bbox 225 341 239 355">A</span><span title="bbox 242 340 252 356">d</span><span title="bbox 253 340 263 356">d</span><span title="bbox 264 345 271 355">r</span><span title="bbox 272 345 280 356">e</span><span title="bbox 282 345 289 356">s</span><span title="bbox 291 345 298 356">s</span> 
    </p>
  </body>
</html>
...