如何使用 fop 將 Tesseract 軟件輸出（hocr）轉換為純 txt 文件（生成零輸出）？

Question

結果輸出：一個帶有空行的 txt 文件。

預期輸出：一個 txt 文件，其中包含“Привет Мир! Это я, обычный неработающий текст или рыба”文本。

我究竟做錯了什么？ 嘗試嵌套的 xsl:for-each 代碼會給出相同的行為。

Answer 1

我在您的嘗試中發現了 2 個問題：

1. 您的指示：

    <xsl:for-each select="//div [@class='ocr_page'] /div [@class='ocr_carea'] / p [@class='ocr_par'] / span[@class='ocr_line'] / span [@class='ocrx_word']">

   什么都不選擇，因為您的輸入 XML 將其所有元素都放在一個命名空間中。 請參閱此處如何解決此問題。

2. 一旦你讓它工作，這個指令將把你放在span的上下文中。 在這種情況下，您的下一條指令：

    <xsl:value-of select="normalize-space(span [@class='ocrx_word'])" disable-output-escaping="yes"/>

   也沒有選擇任何內容，因為span不是它自己的孩子。 它應該是：

    <xsl:value-of select="normalize-space(.)"/>

   而且我懷疑您是否想在生成 XML 結果的樣式表中禁用輸出轉義。