如何从现有数据创建 ALTO 文件？

Question

我希望我的程序输出 ALTO 文件。我拥有创建它所需的所有数据，所以我想知道是否已经存在一些可以部署的代码来创建 ALTO 文件，而不是自己编码。

我已经在寻找转换，但只能找到 OCR 输出格式之间的转换，例如 hOCR 到 ALTO、PAGE 到 ALTO 等。我正在寻找诸如原始数据到 ALTO、JSON 到 ALTO、或 csv 到 ALTO 等格式

我拥有的信息（创建 ALTO 文件所需的信息）是：

• 页面上的所有单词，按文本块和文本行分割，每个单词都有相应的 ID。
• 文字内容
• 单词、线条和块的坐标（hpos、vpos、宽度和高度）
• 每个单词的单词置信度

Answer 1

您可以使用 tesseract 创建 ALTO 文件。

命令行是：

tesseract input.png outputfilename --alto

您会发现一个

 outputfilename.xml

。