import xml.etree.ElementTree as ET
# Пример банальной реализации "в лоб" без изысков просто как демонстрация
test_str_xml = '''<?xml version="1.0" encoding="UTF-8"?>
<content>
<page-settings number="1" >
<annotation comment="Шахматная нотация " >
<rect left="563" top="2995" right="667" bottom="3065" />
<rect left="673" top="2993" right="723" bottom="3045" />
<rect left="729" top="2995" right="783" bottom="3043" />
<rect left="787" top="2995" right="855" bottom="3043" />
<rect left="861" top="2995" right="911" bottom="3045" />
<rect left="917" top="2995" right="963" bottom="3043" />
<rect left="967" top="2995" right="1023" bottom="3043" />
<rect left="1029" top="2995" right="1081" bottom="3045" />
<rect left="1085" top="2995" right="1139" bottom="3043" />
<rect left="1193" top="2995" right="1249" bottom="3043" />
<rect left="1255" top="2995" right="1303" bottom="3045" />
<rect left="1307" top="2995" right="1353" bottom="3043" />
<rect left="1359" top="2995" right="1409" bottom="3045" />
<rect left="1415" top="2981" right="1473" bottom="3043" />
<rect left="1477" top="2995" right="1533" bottom="3043" />
<rect left="1539" top="2995" right="1593" bottom="3043" />
</annotation>
</page-settings>
</content>'''
def build_coord_string(rectangles: dict, l_indx: int, r_indx: int) -> str:
"""Функция перерасчитывает границы области для слова/символа на основе имеющихся границ символов"""
result = ''
count_rect = len(rectangles)
l_i = min(l_indx, r_indx)
r_i = max(l_indx, r_indx)
if l_i < count_rect and r_i < count_rect and l_i >= 0 and r_i >= 0:
l, t, r, b = 0, 0, 0, 0
if l_i == r_i:
# В случае если считаем новые границы для одного символа
# верно только для пробельного символа
# берем данные о двух сосдених символах, так как для пробела нет координат в списке
# из данных выбираем левые правы границы со смещением в 1 пиксель
# а верх и низ границ - выбираем минимальное/максимальное значения
left_rec = rectangles[l_i - 1]
right_rec = rectangles[r_i]
t_l_r = int(left_rec.get('top'))
t_r_r = int(right_rec.get('top'))
b_l_r = int(left_rec.get('bottom'))
b_r_r = int(right_rec.get('bottom'))
l = int(left_rec.get('right')) + 1
t = t_l_r if t_l_r < t_r_r else t_r_r
r = int(right_rec.get('left')) - 1
b = b_l_r if b_l_r > b_r_r else b_r_r
else:
# Если указан диапазон, то перебираем все вершины для каждого символа
# из которых выбираем минимальное значение левой и верхней границы
# (так как отсчет идет от левого верхнего угла)
# и максимальные значения для правой и нижней границ
l, t, r, b = 100500, 100500, 0, 0
for idx in range(l_i, r_i + 1):
t_rec = rectangles[idx]
t_l = int(t_rec.get('left'))
t_t = int(t_rec.get('top'))
t_r = int(t_rec.get('right'))
t_b = int(t_rec.get('bottom'))
l = t_l if t_l < l else l
t = t_t if t_t < t else t
r = t_r if t_r > r else r
b = t_b if t_b > b else b
result = ','.join([str(l), str(t), str(r), str(b)])
return result
def main():
"""Функция содержащая основнйо говнокод"""
# root = ET.ElementTree(file=XML_FILE)
root = ET.fromstring(test_str_xml)
djvu_toy_xml = ET.Element('PAGE')
for page in root.findall('.//page-settings'):
page_number = page.get('number')
el_page_number = ET.SubElement(djvu_toy_xml, 'PAGENUM')
el_page_number.set('num ', page_number)
annot = page.find('annotation')
if annot == None:
continue
annot_comment = annot.get('comment')
len_annot_comment = len(annot_comment)
if len_annot_comment == 0:
continue
rectangles = page.findall('.//rect')
if len(rectangles) == 0:
continue
el_hidden_text_in_page = ET.SubElement(djvu_toy_xml, 'HIDDENTEXT')
# индексы границ слова в строке
l_i_str, r_i_str = 0, 0
# индексы крайних положений координат
l_i_rec, r_i_rec = 0, 0
for i in range(len_annot_comment):
ch = annot_comment[i]
if ch == ' ' or i == len_annot_comment - 1:
# выставляем правое смещение, с уточнением условий
r_i_str = i - 1
# что является последним символом
if i == len_annot_comment - 1:
r_i_str = i
# либо последний символ и пробел
if ch == ' ' and i == len_annot_comment - 1:
r_i_str = i - 1
# подстрока (диапазон невключительно)
sub_str = annot_comment[l_i_str:r_i_str + 1]
len_sub_str = len(sub_str)
r_i_rec = l_i_rec + len_sub_str - 1
# print(sub_str, len_sub_str, l_i_str, r_i_str, l_i_rec, r_i_rec)
calc_str = build_coord_string(rectangles, l_i_rec, r_i_rec)
el_word = ET.SubElement(el_hidden_text_in_page, 'WORD')
el_word.set('coords', calc_str)
el_word.text = sub_str
# учитываем символ пробел, если это не окончание
if i != len_annot_comment - 1:
l_i_str = i
r_i_str = i + 1
# print(' ', l_i_str, r_i_str)
calc_str = build_coord_string(rectangles, i, i)
el_char = ET.SubElement(el_hidden_text_in_page, 'CHARACTER')
el_char.set('coords', calc_str)
el_char.text = ' '
# начинаем новое слово
l_i_str = r_i_str
l_i_rec = r_i_rec + 1
# djvu_toy_xml.write('output.xml')
print(ET.tostring(djvu_toy_xml, encoding='utf8').decode())
if __name__ == "__main__":
main()
Сохраняю из WinDjVu как Png, выбрав только нужный слои, и их распознаю.
