如何通过tess-two的TessBaseAPI正确提取文本及对应boxRects？

我之前也踩过tess-two的这个坑，想要精准提取每个单词和对应的bounding box，确实得用对API才行。下面给你几个靠谱的解决方案，比你用HOCR正则的方法要高效稳定得多：

方法一：使用ResultIterator（官方推荐） #

这是最稳妥的方式，能直接保证每个单词的文本和它的bounding box完全对应，不会出现错位问题。

具体代码实现如下：

// 获取结果迭代器
val resultIterator = tesseract.resultIterator
// 开始遍历单词级别内容
resultIterator.begin()
do {
    // 提取当前单词的文本
    val wordText = resultIterator.getUTF8Text(PageIteratorLevel.RIL_WORD)
    // 获取bounding box的四个坐标（左、上、右、下）
    val rectCoords = IntArray(4)
    resultIterator.boundingBox(PageIteratorLevel.RIL_WORD, rectCoords)
    val left = rectCoords[0]
    val top = rectCoords[1]
    val right = rectCoords[2]
    val bottom = rectCoords[3]

    // 这里就可以处理你的单词和对应的位置了
    Log.i(TAG, "单词：$wordText，位置：左=$left, 上=$top, 右=$right, 下=$bottom")

// 循环遍历下一个单词
} while (resultIterator.next(PageIteratorLevel.RIL_WORD))

这个方法直接调用tess内部的迭代器，性能和准确性都有保障，完全不需要额外的字符串解析操作。

方法二：修复getWords的使用方式 #

你之前用getWords时出现乱码，是因为Word对象的data是字节数组，不能直接调用toString()，需要指定UTF-8编码来转换：

val words = tesseract.getWords
for (word in words) {
    // 正确将字节数组转为字符串
    val wordText = String(word.data, Charsets.UTF_8)
    // 获取对应的bounding box
    val boxRect = word.boxRects
    Log.i(TAG, "单词：$wordText，位置：$boxRect")
}

不过这个方法偶尔会出现单词顺序和getUTF8Text不一致的情况，所以还是更推荐第一种迭代器的方式。

为什么不推荐你用HOCR正则的方法？ #

虽然解析HOCR能实现需求，但它有几个明显的缺点：

• 性能差：需要生成完整的HOCR文本，再用正则反复匹配，比直接调用API慢很多
• 不稳定：如果tess版本更新导致HOCR格式变化，你的正则表达式就会直接失效
• 代码冗余：要写多段正则来分别提取文本和坐标，后续维护成本高

所以尽量优先使用官方提供的API来处理，更省心可靠。

内容的提问来源于stack exchange，提问作者Axel Eriksson