Question

我在哪里可以找到特定格式的文件样本或示例？（OCR提取文本的格式与页面坐标一起存储。）

我一直在Google上寻找，但无法提供任何样品。

谢谢！

Answer 1

您可以使用Tesseract的命令行选项“hocr”以特定格式输出结果：

tesseract youimage.tif out hocr

Answer 2

这是一个hOCR文件的片段，为了便于阅读，添加了一些换行符。不幸的是，我不记得使用哪个工具来生成它（可能是ocropus），但我认为tesseract 3.01和其他人可能会为每个单词定义边界框而不是hOCR输出中的每个字母。

<!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>

我在哪里可以找到HOCR文件的样本？

2 个答案: