用Python解析hOCR到JSON

我正在使用tesseract ocr并以hOCR格式获得输出。我需要将这个hOCR输出存储到数据库中（在我的例子中是PostgreSQL）

---

由于我可能需要本hOCR中的每一条信息（80%），哪种方法是正确的？它应该存储为XML数据类型还是解析为JSON并存储？对于JSON，如何用Python将这个hOCR解析为JSON。还欢迎其他相关建议。

hOCR似乎是XML的一种方言，因此您应该能够使用stdlib中的

XML.etree

模块将hOCR代码解析为Python导航树。然后导航该树以组成一个对象或嵌套的dict，然后最后使用stdlib的

json

模块将该dict转换为json。

您以前尝试过什么？我仍然需要为此设计数据库，我现在，决定要包含在此工作流中的工作流和元素，以存储此hOCR格式文件的详细信息。我不是python程序员。因此，我们还没有尝试实现。是的，hOCR是一个XHTML或HTML文档，请参阅文档。首先，您可以查看hocr工具的实现，这些工具是使用etree解析hocr文件的Python工具，然后进行一些不同的计算：。