¿Software para convertir formato HOCR a txt?

Puede existir un software específico para Mac/Linux/Windows, pero escribí mi propia secuencia de comandos PHP para obtener todos los datos del archivo hOCR en una base de datos, y desde allí puedo crear cualquier formato que desee con los datos.

hOCR ya debería ser xhtml. El siguiente script php lee el archivo de datos hOCR (producido por Tesseract OCR) palabra por palabra (con datos de palabras, como página, línea, número de palabra, palabra en sí, coordenadas...) en una base de datos SQLite3, y desde allí puedo hacer lo que quiera con los datos, como consultar e insertarlo en algunas etiquetas xml según sea necesario, o buscar palabras de la siguiente línea con las mismas coordenadas x iniciales, etc.

El código php (5.4+) a continuación contiene muchas cosas innecesarias como comentarios, etc., pero lee el contenido de un archivo hOCR en un archivo db SQLite3 bastante rápido.

Dependiendo de su idioma (aquí principalmente finlandés, es decir, ISO-8859-15), es posible que desee cambiar algunas de las expresiones regulares, etc. Y el nombre del archivo que se procesará se proporciona como el primer argumento de este script.

<?php
// Splitting a hOCR file to rows with page, area, line, word info per word in a doc
// Function to replace all separator chars on row with one thing, so that one explode per row will do

$dbh_hocr=new SQlite3("hOCRtemp.db");

$createTable=$dbh_hocr->exec("create table if not exists invWords (id INTEGER PRIMARY KEY, FileName TEXT, PageNr INTEGER, LineNr INTEGER, WordNr INTEGER, WordName TEXT, X1 INTEGER, Y1 INTEGER, X2 INTEGER, Y2 INTEGER)");
$clearTheTable=$dbh_hocr->exec("delete from invWords");

$thisDocWords=array();
// The file name is in argv[1]
$fileNameHere=$argv[1];

$fileToUse=file_get_contents($fileNameHere);
$pages=explode("<div class='ocr_page'", $fileToUse);
foreach($pages as $ocrCarea)
    {
    $thisOcrCarea=explode("<div class='ocr_carea'", $ocrCarea);
    foreach($thisOcrCarea as $ocrPar)
        {
        $thisOcrPar=explode("<div class='ocr_par'", $ocrPar);
        foreach($thisOcrPar as $ocrLine)
            {
            $thisOcrLine=explode("<span class='ocr_line'", $ocrLine);
            foreach($thisOcrLine as $ocrWord)
                {
                $thisOcrWord=explode("<span class='ocrx_word'", $ocrWord);
                foreach($thisOcrWord as $item)
                    {
                    if(substr_count($item, "block_")>0)
                        {
                        $printYes=0;
                        $msg="Not";
                        }   
                    if(substr_count($item, "page_")>0)
                        {

                        $printYes=1;
                        $msg="Sivurivi ";

                        $thisItem=explode("page_", $item);
                        $thisItem=$thisItem[1];
                        $thisPageNr=explode("'", $thisItem);
                        $pageItem=strip_tags($thisPageNr[0]); // Jeh. It works.

                        }
                    if(substr_count($item, "line_")>0)
                        {
                        $printYes=1;
                        $msg="Rivirivi ";
                        $thisLineItem=explode("line_", $item);
                        $thisLineItem=$thisLineItem[1];
                        $thisLineNr=explode("'", $thisLineItem);
                        $lineItem=strip_tags($thisLineNr[0]);
                        }
                    if(substr_count($item, "word_")>0)
                        {
                        $printYes=1;
                        $msg="Sanarivi ";
                        $thisWordItem=explode("word_", $item);
                        $thisWordItem=$thisWordItem[1];
                        $thisWordNr=explode("'", $thisWordItem);
                        $item=$thisWordNr[0];
                        $restOfRow=$thisWordNr[1];
                        $lopRiv=explode("\"", $restOfRow);
                        $boxCoordsPart=$lopRiv[1];
                        $boxCoordsPart=explode(" ", $boxCoordsPart);
                        $boxCoordX1=$boxCoordsPart[1];
                        $boxCoordY1=$boxCoordsPart[2];
                        $boxCoordX2=$boxCoordsPart[3];
                        $boxCoordY2=$boxCoordsPart[4];
                        $theWordHere=strip_tags(substr($lopRiv[2], 1));
                        if(trim($theWordHere!=""))
                            {
                            $theWordHere=trim(str_replace("\n", "", $theWordHere));
                            }
                        else
                            {
                            $theWordHere=str_replace("\n", "", $theWordHere);   
                            }
                        $theWordHere=iconv('UTF-8', 'ISO-8859-15', $theWordHere);
                        $theWordHere=preg_replace("/[^0-9A-ZÅÄÖa-zåäö\-\/, .]/", "", $theWordHere);
                        $thisWordData=$pageItem."#".$lineItem."#".$item."#".$theWordHere."#".$boxCoordX1."#".$boxCoordY1."#".$boxCoordX2."#".$boxCoordY2."\r\n";
                        array_push($thisDocWords, $thisWordData);
                        }

                    }
                }
            }
        }
    }


// TESTING
$dbh_hocr->exec('BEGIN');

$stmt=$dbh_hocr->prepare("insert into invWords (FileName, PageNr, LineNr, WordNr, WordName, X1, Y1, X2, Y2) values (:FileName, :PageNr, :LineNr, :WordNr, :WordName, :X1, :Y1, :X2, :Y2)");

foreach($thisDocWords as $thisWordRowArr)
    {

    $thisWordRowArr=explode("#", $thisWordRowArr);

    $pageNumber=$thisWordRowArr[0];
    $lineNumber=$thisWordRowArr[1];
    $wordNumber=$thisWordRowArr[2];
    $wordName=$thisWordRowArr[3];
    $wordName=trim($wordName);
    $theFirstCharInWordName=substr(trim($wordName), 0, 1);
    if(!preg_match('/^[A-Za-zÅÄÖåäö0-9]/', $theFirstCharInWordName))
        {
        $wordName=substr($wordName, 1);
        }
    $theLastChar=substr($wordName, -1);

    if(!preg_match('/^[A-Za-zÅÄÖåäö0-9]/', $theLastChar))
        {
        $lengthOfWordNameToUse=strlen($wordName)-1;
        $wordName=substr($wordName, 0, $lengthOfWordNameToUse);
        }

    if($lineNumber<15 && substr($wordName, 0, 7)=="VUOKRAA")
        {
        $wordName="VUOKRAAJA";
        }

    $x1=$thisWordRowArr[4];
    $y1=$thisWordRowArr[5];
    $x2=$thisWordRowArr[6];
    $y2=$thisWordRowArr[7];


$stmt->bindValue(':FileName', $fileNameHere);
$stmt->bindValue(':PageNr', $pageNumber);
$stmt->bindValue(':LineNr', $lineNumber);
$stmt->bindValue(':WordNr', $wordNumber);
$stmt->bindValue(':WordName', $wordName);
$stmt->bindValue(':X1', $x1);
$stmt->bindValue(':Y1', $y1);
$stmt->bindValue(':X2', $x2);
$stmt->bindValue(':Y2', $y2);
$stmt->execute();
    } // END FOREACH

$dbh_hocr->exec('COMMIT');
?>