Question

我正在使用Tesseract（在Windows上）从科学图表中提取文本，例如情节，其中有许多孤立的单词或数字，但没有句子或段落。然后我将HTML转换为SVG。除了我无法获得

之外，这很有效

字体大小
字体家庭
文本锚点的xy坐标
文本方向（例如，用于标记图形轴的旋转Math.PI / 2）

我可以从边界框中获得粗略的字体大小，但这取决于字符是否具有上升或下降。因此，下面的所有行（在hOCR输出中）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有一个下行符（在“p”中）和一个bbox y高度为58，而span_2的bbox高度为49（没有下行符），span_3的bbox x-width为60，表示文本已旋转。但是，bbox本身不足以准确定位文本或确定文本方向。

我想使用Tess4J并使用任何可以获得这些属性的API。

如果有人已经从Tess4J写过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，字体信息不包含在hOCR输出中，但如果需要，它可用。您可以通过将以下行添加到lib.mainmenu = HMENU ...{ 1 = TMENU ... 2 = TMENU } # so just two levels lib.tempmenu <. lib.mainmenu # just save your menu [PIDinRootline = xxx] #or [globalVar = TSFE:id=xxx] lib.mainmenu <. lib.tempmenu lib.mainmenu.3 = TMENU # just add 3d submenu. Prev menu haven't it [global]配置文件（或您正在使用的配置文件中）来启用它：

hocr

也可以在命令行上使用相同的配置变量（或者，可能是通过Tess4J包装器）。

启用此功能后，字体名称和大小将包含在输出中，例如

hocr_font_info 1

<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>是字体名称Courier_New x_font是以磅为单位的字体大小，即9

字体名称以及x_fsize和<strong>标记都会显示粗体和斜体。

使用Tesseract hOCR提取文本属性

1 个答案: