如何用R语言Tesseract包生成XML ALTO格式OCR输出？

核心误区 #

你设置tessedit_create_alto=1后，ocr()函数依然返回文本字符串是正常的——这个参数的作用是让Tesseract在磁盘生成ALTO格式的XML文件，而非直接把XML内容返回给R的ocr()函数。

正确实现步骤 #

1. 配置引擎时，除了开启tessedit_create_alto，还需要用tessedit_output_base参数指定XML文件的输出前缀（避免文件生成在临时目录难以查找）。
2. 调用ocr()完成识别后，读取生成的XML文件并解析为XML对象。

代码示例 #

# 加载必要包
library(tesseract)
library(xml2)  # 用于解析XML对象

# 创建配置好的引擎：开启ALTO输出，指定输出文件前缀
my_engine <- tesseract(options = list(
  tessedit_create_alto = 1,
  tessedit_output_base = "my_ocr_result"  # 最终生成的文件名为 my_ocr_result.alto.xml
))

# 执行OCR（此时会在当前工作目录生成XML文件）
ocr(my_image, engine = my_engine)

# 读取并解析XML文件为结构化对象
alto_xml_doc <- read_xml("my_ocr_result.alto.xml")

# 验证结果：查看XML结构
xml_structure(alto_xml_doc)

补充说明 #

• 如果不指定tessedit_output_base，Tesseract会将XML文件生成在系统临时目录，可通过tempdir()查看临时路径，但建议主动指定输出位置。
• ocr()函数的返回值始终是识别出的文本字符串，XML文件是额外生成的产物。
• 使用xml2包可以方便地对ALTO XML进行节点查询、数据提取等后续操作。

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