Python 将HOCR输出转换为字符串（用于正则表达式）的策略有哪些？

我正在使用PyteSeract，希望将HOCR输出转换为字符串。当然，这样一个函数是在Pytesseract中实现的，但是我想知道更多关于在thx中实现它的可能策略

从PyteSeract导入图像到pdf或hocr
hocr\u输出=图像到pdf\u或hocr（图像，扩展名为hocr）

由于是.xml的一种类型，我们可以使用.xml解析器

但首先我们需要将tesseract的二进制输出转换为str：

from pytesseract import image_to_pdf_or_hocr

hocr_output = image_to_pdf_or_hocr(image, extension='hocr')
hocr = hocr_output.decode('utf-8')

现在我们可以使用来解析它：

import xml.etree.ElementTree as ET

root = ET.fromstring(hocr)

xml.etree为我们提供了一个结果，我们可以将其加入到单个字符串中：

text = ''.join(root.itertext())