Tesseract：在hOCR文件中获得单词置信度（x_wconf）

Question

我目前正在使用Java通过命令行调用Tesseract，输出模式设置为hOCR。我几乎不知道任何与C编程相关的内容，但我可以阅读源代码，但这就是它。

我希望能够在hOCR文件中获得单词置信度信息。我在网上找到了一些“答案”。从设置文件中的值设置变为更改和重新编译源。

我正在使用最新版本的Tesseract，我如何从Java中获得置信度（x_wconf）？

Answer 1

hOCR是HTML，因此您需要一个HTML解析器来提取所需的属性。试试jsoup，HtmlCleaner或HTML Parser。