使用Python將hOCR解析為JSON

Question

我正在使用tesseract-ocr，並以hOCR格式獲取輸出。 我需要將此hOCR輸出存儲到數據庫（在我的情況下為PostgreSQL）。

由於我可能需要分別從此hOCR中獲取每條信息（其中的80％），這是正確的方法嗎？ 應該將其存儲為XML數據類型還是解析為JSON並存儲？ 並且在使用JSON的情況下，如何使用Python將hOCR解析為JSON。 其他相關建議也被贊賞。

Answer 1

hOCR似乎是XML的一種方言，因此您應該能夠使用stdlib中的xml.etree模塊將hOCR代碼解析為Python可導航樹。 然后導航到該樹以組成對象或嵌套字典，然后最終使用stdlib的json模塊將該字典轉換為JSON。