我正在使用 Pytesseract 并希望将 HOCR 输出转换为字符串。当然，这样的功能是在 Pytesseract 中实现的，但我想了解更多关于完成它的可能策略 thx

这是来自 Tesseract 4 输出（.hocr 文件）的行：

x_descenders和x_ascenders属性是什么意思？

我知道在排版中，下降是“延伸到字体基线以下的字母部分”。但是在某些情况下 x_descenders 不是整数而是浮点数，例如 in x_descenders 5.2608695。那这意味着什么？

然后我想知道如何解释小数部分

我正在使用 Apache TIKA Server 对 PDF 文件进行 OCR。

我对hOCR输出感兴趣，但只能成功获得纯文本格式的输出。

按照wiki和代码，我正在尝试使用X-Tika-OCR...HTTP 标头配置 Tesseract。在这种情况下，我使用的是X-Tika-OCRoutputType: hocrHTTP 标头，但我得到了没有 HOCR 标记的纯文本输出或 html 输出。

我尝试了端点/tika和/rmeta端点。

curl我使用的命令：

我还尝试将Accept标题设置为 text/plain、text/html text/xhtml 和 text/hocr。没有工作。最后一个出现错误。

我在用：

• 阿帕奇蒂卡 1.22
• 正方体 4.1.0-3.1.x86_64
• 红帽 7

我在以下函数中意外缩进。

我一直在尝试<img>使用从第二个 html 文件中获得的信息来搜索和替换 html 文件中的某些属性。我lxml从 BeautifulSoup 使用，但我显然做错了什么，无法弄清楚是什么。

我尝试了三个不同的版本。未注释的至少不会抛出错误，但生成的 html 文件不变。我猜它没有对汤进行更改？

帮助或只是一些指针将不胜感激。

编辑：感谢@Tserenjamts，我意识到代码正确地修改了html，而不是更改原始代码，而是在其后附加了新版本。我可以忍受，以防万一（在不同的文件上写入或在写入之前擦除原件），但感觉出乎意料。我错过了什么？我应该使用replace而不是直接分配这个 SO 答案中的新值吗？

我的代码：

“ver1.html”文件的示例：

和 ver1.html 文件：

我正在使用 Microsoft Read API 从本地图像中获取 OCR 数据。我的脚本基于本教程：https ://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/quickstarts/python-hand-text?tabs=version-2 。

虽然我可以获取 JSON 格式的 OCR 数据，但我想将输出作为 hOCR。我找到了这个资源：https ://docs.microsoft.com/en-us/samples/azure-samples/azure-search-power-skills/azure-hocr-generator-sample/ 。我不清楚如何在教程中的 Python 脚本中实现这一点。

有人知道如何将 JSON 输出转换为 hOCR 吗？

我正在尝试从 pdf 中提取文本，但我遇到了错误，因为我的脚本有时会检测到 pdf 的每一页，有时只检测到 pdf 的第一页。我什至在 stackoverflow 上的一篇文章中包含了这一行。

每当我的脚本只提取第一页时，该脚本只检测到一页。

我什至尝试过另一个库（PyPDF2）来提取文本，但结果更糟。

如果我查找我的脚本处理不当的 pdf 的属性，Adobe 会在 pdf 的属性中清楚地显示正确的页数。

下面是我正在使用的代码。任何有关如何更改脚本以检测 pdf 的所有页面的建议将不胜感激。

我想检测页面图像中的粗体（可能还有斜体）文本——想想 TIFF 或图像 PDF。我需要指向任何这样做的开源软件的指针。

这是一个字典条目的图片（来自 Tzeltal--西班牙语词典），说明了这样的文本：

第一行是粗体，然后是斜体，然后是“正常”；第二个有几个粗体字，然后是几个正常字体。格式表示隐式结构：粗体表示词条，斜体表示词性，正常表示大多数其他内容。如果不知道什么是粗体/斜体/正常，就不可能将这些条目解析为结构化文本（如 XML）。

几年前，当我们的字典解析项目处于活动状态时，我们使用 Tesseract 版本 3 对图像进行 OCR，并使用 hocr 输出为我们提供页面上的位置信息（例如，分离字典中的不同条目至关重要）。hocr 输出还包括用于粗体的标签“strong”和用于斜体的“em”。虽然“em”标签相当准确，但“strong”标签几乎是随机的。现在，Tesseract 的第 4 版甚至都没有尝试过（另请参阅）。您仍然可以告诉 tesseract 使用旧引擎，但正如我所说，这似乎完全不准确，至少在我们提供给它的文本上。

区分粗体和普通文本似乎并不难。即使在那个距离我看不懂文字，我也可以站在离显示器很远的地方，挑选出粗体和非粗体。（我想判断整个文本是粗体还是非粗体会更难，但是当两者都出现时区分它们似乎很容易——对于人类来说。）

有人告诉我，ABBYY FineReader 输出字体样式信息，但由于各种原因，这对我们的应用程序不起作用。

如果有一种区分粗体和非粗体文本的非 OCR 方式，可以在粗体文本周围放置边界框，我们可能会将这些延伸与 Tesseract 输出的字符/单词的边界框匹配（允许一些像素差）。我知道几十年前（也在这里）对此进行了研究，但是有没有真正做到这一点的开源软件？

我已经构建了从 pdf 中提取文本的程序，但有时它不会提取文本，所以我必须手动编辑文本文件，请告诉我如何“实时”更正 hocr 文件，这样我可以节省更多时间. 并告诉我哪些工具对 Web 开发有帮助

Google Cloud Vision OCR 具有以下边界框对象的输出。

边界框所需的输出格式

我想继续将这些坐标转换为边界框坐标，以我的 hOCR 格式编写它们。其中包括以下格式，用于在文件中写入这些格式。

问题？

• 那么如何将这些 x 和 y 坐标转换为这些 bbox（边界框坐标）。
• 这些是什么x，y坐标是 ( x_min, y_max) 或 ( x_max, y_min)。一般来说，我还想知道这些 x 和 y 代表什么？

处理图像

我正在处理以下图像作为我的测试。