hOCR (Standard) – Wikipedia
hOCR ist ein offener Standard, der ein Datenformat beschreibt, das der Repräsentation von Texterkennungsergebnissen dient. Mit diesem Format lassen sich zusätzlich zum Text dessen Layout, Erkennungsgenauigkeit, Formatierungen und andere Informationen erfassen. Das Format baut auf XHTML (oder auch HTML) auf. Metadaten werden nach der Dublin-Core-Konvention zur Einbettung von Metadaten in HTML in speziellen <meta>-Tags abgespeichert.
Software
[Bearbeiten | Quelltext bearbeiten]Das Format wurde in Googles OCRopus eingeführt. Außer von OCRopus kann das Format auch von CuneiForm, von HOCR, einer auf hebräische Schrift spezialisierten Texterkennungssoftware, und ab Version 3.0 auch von Tesseract direkt erzeugt werden.
Die hocr-tools sind ein Paket von Werkzeugen zur Verarbeitung (Zusammenfügen, Aufteilen, Einfügen von Metadaten) und Analyse von hOCR-Daten. Mit hocr2pdf[1] existiert ein Kommandozeilenwerkzeug zur Erzeugung von maschinell durchsuchbaren Bilder-PDF-Dateien anhand von hOCR-Daten.