hocr-combine

#!/usr/bin/python

import sys,os,string,re
import xml
from xml.dom.ext.reader import HtmlLib
from xml.xpath import Evaluate as xquery

################################################################
### library code
################################################################

def get_text(node):
    textnodes = xquery(".//text()",node)
    s = string.join([node.nodeValue for node in textnodes])
    return re.sub(r'\s+',' ',s)

################################################################
### main program
################################################################

if len(sys.argv)<2:
    sys.stderr.write("combine multiple hOCR documents into one\n\n")
    sys.stderr.write("usage: %s file1.html file2.html...\n"%sys.argv[0])
    sys.exit(1)

stream = open(sys.argv[1])
doc = HtmlLib.Reader().fromString(open(sys.argv[1]).read())

pages = xquery("//*[@class='ocr_page']",doc)
container = pages[-1].parentNode

for fname in sys.argv[2:]:
    doc2 = HtmlLib.Reader().fromString(open(fname).read())
    pages = xquery("//*[@class='ocr_page']",doc2)
    for page in pages:
        page = doc.importNode(page,1)
        container.appendChild(page)

xml.dom.ext.PrettyPrint(doc,sys.stdout)