Программное обеспечение для преобразования формата HOCR в txt?

Может существовать специальное программное обеспечение для Mac/Linux/Windows, но я написал свой собственный PHP-скрипт, чтобы получить все данные из файла hOCR в базу данных, и оттуда я могу создать любой формат данных, который я хочу.

hOCR уже должен быть xhtml. Приведенный ниже php-скрипт считывает файл данных hOCR (созданный Tesseract OCR) пословно (со словесными данными, такими как страница, строка, номер слова, само слово, координаты...) в базу данных SQLite3, и оттуда я могу сделать все, что я хочу с данными, например запрос и вставка его в некоторые теги xml по мере необходимости, или поиск слов из следующей строки с такими же начальными координатами x и т. д.

PHP-код (5.4+) ниже содержит много ненужных вещей, таких как комментарии и т. д., но он довольно быстро считывает содержимое файла hOCR в файл базы данных SQLite3.

В зависимости от вашего языка (здесь в основном финский, т.е. ISO-8859-15) вы можете изменить некоторые регулярные выражения и т. д. И имя обрабатываемого файла указывается в качестве первого аргумента этого скрипта.

<?php
// Splitting a hOCR file to rows with page, area, line, word info per word in a doc
// Function to replace all separator chars on row with one thing, so that one explode per row will do

$dbh_hocr=new SQlite3("hOCRtemp.db");

$createTable=$dbh_hocr->exec("create table if not exists invWords (id INTEGER PRIMARY KEY, FileName TEXT, PageNr INTEGER, LineNr INTEGER, WordNr INTEGER, WordName TEXT, X1 INTEGER, Y1 INTEGER, X2 INTEGER, Y2 INTEGER)");
$clearTheTable=$dbh_hocr->exec("delete from invWords");

$thisDocWords=array();
// The file name is in argv[1]
$fileNameHere=$argv[1];

$fileToUse=file_get_contents($fileNameHere);
$pages=explode("<div class='ocr_page'", $fileToUse);
foreach($pages as $ocrCarea)
    {
    $thisOcrCarea=explode("<div class='ocr_carea'", $ocrCarea);
    foreach($thisOcrCarea as $ocrPar)
        {
        $thisOcrPar=explode("<div class='ocr_par'", $ocrPar);
        foreach($thisOcrPar as $ocrLine)
            {
            $thisOcrLine=explode("<span class='ocr_line'", $ocrLine);
            foreach($thisOcrLine as $ocrWord)
                {
                $thisOcrWord=explode("<span class='ocrx_word'", $ocrWord);
                foreach($thisOcrWord as $item)
                    {
                    if(substr_count($item, "block_")>0)
                        {
                        $printYes=0;
                        $msg="Not";
                        }   
                    if(substr_count($item, "page_")>0)
                        {

                        $printYes=1;
                        $msg="Sivurivi ";

                        $thisItem=explode("page_", $item);
                        $thisItem=$thisItem[1];
                        $thisPageNr=explode("'", $thisItem);
                        $pageItem=strip_tags($thisPageNr[0]); // Jeh. It works.

                        }
                    if(substr_count($item, "line_")>0)
                        {
                        $printYes=1;
                        $msg="Rivirivi ";
                        $thisLineItem=explode("line_", $item);
                        $thisLineItem=$thisLineItem[1];
                        $thisLineNr=explode("'", $thisLineItem);
                        $lineItem=strip_tags($thisLineNr[0]);
                        }
                    if(substr_count($item, "word_")>0)
                        {
                        $printYes=1;
                        $msg="Sanarivi ";
                        $thisWordItem=explode("word_", $item);
                        $thisWordItem=$thisWordItem[1];
                        $thisWordNr=explode("'", $thisWordItem);
                        $item=$thisWordNr[0];
                        $restOfRow=$thisWordNr[1];
                        $lopRiv=explode("\"", $restOfRow);
                        $boxCoordsPart=$lopRiv[1];
                        $boxCoordsPart=explode(" ", $boxCoordsPart);
                        $boxCoordX1=$boxCoordsPart[1];
                        $boxCoordY1=$boxCoordsPart[2];
                        $boxCoordX2=$boxCoordsPart[3];
                        $boxCoordY2=$boxCoordsPart[4];
                        $theWordHere=strip_tags(substr($lopRiv[2], 1));
                        if(trim($theWordHere!=""))
                            {
                            $theWordHere=trim(str_replace("\n", "", $theWordHere));
                            }
                        else
                            {
                            $theWordHere=str_replace("\n", "", $theWordHere);   
                            }
                        $theWordHere=iconv('UTF-8', 'ISO-8859-15', $theWordHere);
                        $theWordHere=preg_replace("/[^0-9A-ZÅÄÖa-zåäö\-\/, .]/", "", $theWordHere);
                        $thisWordData=$pageItem."#".$lineItem."#".$item."#".$theWordHere."#".$boxCoordX1."#".$boxCoordY1."#".$boxCoordX2."#".$boxCoordY2."\r\n";
                        array_push($thisDocWords, $thisWordData);
                        }

                    }
                }
            }
        }
    }


// TESTING
$dbh_hocr->exec('BEGIN');

$stmt=$dbh_hocr->prepare("insert into invWords (FileName, PageNr, LineNr, WordNr, WordName, X1, Y1, X2, Y2) values (:FileName, :PageNr, :LineNr, :WordNr, :WordName, :X1, :Y1, :X2, :Y2)");

foreach($thisDocWords as $thisWordRowArr)
    {

    $thisWordRowArr=explode("#", $thisWordRowArr);

    $pageNumber=$thisWordRowArr[0];
    $lineNumber=$thisWordRowArr[1];
    $wordNumber=$thisWordRowArr[2];
    $wordName=$thisWordRowArr[3];
    $wordName=trim($wordName);
    $theFirstCharInWordName=substr(trim($wordName), 0, 1);
    if(!preg_match('/^[A-Za-zÅÄÖåäö0-9]/', $theFirstCharInWordName))
        {
        $wordName=substr($wordName, 1);
        }
    $theLastChar=substr($wordName, -1);

    if(!preg_match('/^[A-Za-zÅÄÖåäö0-9]/', $theLastChar))
        {
        $lengthOfWordNameToUse=strlen($wordName)-1;
        $wordName=substr($wordName, 0, $lengthOfWordNameToUse);
        }

    if($lineNumber<15 && substr($wordName, 0, 7)=="VUOKRAA")
        {
        $wordName="VUOKRAAJA";
        }

    $x1=$thisWordRowArr[4];
    $y1=$thisWordRowArr[5];
    $x2=$thisWordRowArr[6];
    $y2=$thisWordRowArr[7];


$stmt->bindValue(':FileName', $fileNameHere);
$stmt->bindValue(':PageNr', $pageNumber);
$stmt->bindValue(':LineNr', $lineNumber);
$stmt->bindValue(':WordNr', $wordNumber);
$stmt->bindValue(':WordName', $wordName);
$stmt->bindValue(':X1', $x1);
$stmt->bindValue(':Y1', $y1);
$stmt->bindValue(':X2', $x2);
$stmt->bindValue(':Y2', $y2);
$stmt->execute();
    } // END FOREACH

$dbh_hocr->exec('COMMIT');
?>