Benchmark: DomParser vs Regex for HOCR

Tests:

DOMParser
console.time("test"); const hocr = `<div class='ocr_page' id='page_1' title='image ""; bbox 0 0 2460 3486; ppageno 0'>\n <div class='ocr_carea' id='block_1_1' title="bbox 3 0 2459 3486">\n \n \n 111\n EEE\n \n \n ER\n ARD®\n Cr\n EEE\n \n \n USE\n TE\n Ldlhe\n At\n ee\n E\n \n \n RS]\n a1\n 5\n BEITRAGSSERVICE\n \n \n rundfunkbeitrag\n \\)\n \n \n Sie\n erreichen\n uns\n unter\n \n \n 07\n 2FC7\n F7B11C\n DO21\n A8BSD\n ...\n Teen,\n 1\n Er\n =\n ae\n 2\n \n \n P\n DV\n 06\n 0,70\n Deutsche\n Post\n oo\n IE:\n Bean\n aus\n dem\n dt.\n Festnetz,\n \n \n *\n 4557\n *\n 0137861\n *\n Se\n 60\n Cent/Anruf\n aus\n den\n dt.\n Mobilfunknetzen)\n \n \n *.nDns\n *\n ne:\n Servicezeiten\n \n \n Montag\n -\n Freitag\n 7\n -\n 19\n Uhr\n \n \n Postanschrift\n \n \n er\n ARD\n ZDF\n Deutschlandradio\n \n \n Beitragsservice,\n 50656\n Köln\n \n \n Web\n rundfunkbeitrag.de\n \n \n Datum\n 26.06.2018\n \n \n Beitragsnummer\n 250\n \n \n Zahlung\n der\n Rundfunkbeiträge\n -\n Beitragsnummer\n 250\n \n \n Sehr\n geehrter\n Herr\n \n \n Ihre\n Rundfunkbeiträge\n sind\n am\n 15.07.2018\n fällig.\n \n \n Bitte\n zahlen\n Sie\n den\n Betrag\n von\n 52,50\n EUR.\n Für\n die\n Überweisung\n haben\n wir\n ein\n Zahlungsformular\n für\n \n \n Sie\n vorbereitet.\n \n \n Möchten\n Sie\n den\n Rundfunkbeitrag\n einfach\n und\n bequem\n per\n Lastschrift\n zahlen?\n Mit\n der\n Erteilu\n \n \n 2\n :\n rn\n ET\n ‘\n ng\n des\n SEPA-\n \n \n Lastschriftmandats\n werden\n die\n Rundfunkbeiträge\n künftig\n von\n Ihrem\n Konto\n eingezogen.\n Gerne\n Können\n sie\n \n \n hierfür\n das\n beigefügte\n Formular\n verwenden\n oder\n Ihre\n Daten\n unter\n rundfunkbeitrag.de\n online\n übermitteln.\n \n \n Mit\n freundlichen\n Grüßen\n \n \n Ihr\n Beitragsservice\n von\n ARD,\n ZDF\n und\n Deutschlandradio\n \n \n So\n errechnet\n sich\n der\n Gesamtbetrag\n \n \n "Buchungen:\n a,\n 2\n '\n it\n ;\n \n \n Ihr\n Kontostand\n am\n 22.03.2018\n es\n ANNERDDNL\n en\n \n \n 04.04.18\n Zahlungseingang\n vom\n 03.04.2018\n E35\n \n \n 26.06.18\n Rundfunkbeiträge\n für\n 1\n Wohnung\n 06.2018\n -\n 08.2018\n 52.50\n \n \n Gesamtbetrag\n 52\n =\n \n \n EEE\n nn\n [nn\n |\n \n \n </div>\n</div>\n`; const domParser = new DOMParser(); let hasRecognizedText = false; if (hocr) { const notEmptyWords = Array.from( domParser.parseFromString(hocr, "text/html").querySelectorAll("span.ocrx_word:not(:empty)") ); for (const word of notEmptyWords) { if (word.textContent?.trim()) { hasRecognizedText = true; break; } } } console.timeEnd("test") console.log(hasRecognizedText);
Regex
console.time("test"); const hocr = `<div class='ocr_page' id='page_1' title='image ""; bbox 0 0 2460 3486; ppageno 0'>\n <div class='ocr_carea' id='block_1_1' title="bbox 3 0 2459 3486">\n \n \n 111\n EEE\n \n \n ER\n ARD®\n Cr\n EEE\n \n \n USE\n TE\n Ldlhe\n At\n ee\n E\n \n \n RS]\n a1\n 5\n BEITRAGSSERVICE\n \n \n rundfunkbeitrag\n \\)\n \n \n Sie\n erreichen\n uns\n unter\n \n \n 07\n 2FC7\n F7B11C\n DO21\n A8BSD\n ...\n Teen,\n 1\n Er\n =\n ae\n 2\n \n \n P\n DV\n 06\n 0,70\n Deutsche\n Post\n oo\n IE:\n Bean\n aus\n dem\n dt.\n Festnetz,\n \n \n *\n 4557\n *\n 0137861\n *\n Se\n 60\n Cent/Anruf\n aus\n den\n dt.\n Mobilfunknetzen)\n \n \n *.nDns\n *\n ne:\n Servicezeiten\n \n \n Montag\n -\n Freitag\n 7\n -\n 19\n Uhr\n \n \n Postanschrift\n \n \n er\n ARD\n ZDF\n Deutschlandradio\n \n \n Beitragsservice,\n 50656\n Köln\n \n \n Web\n rundfunkbeitrag.de\n \n \n Datum\n 26.06.2018\n \n \n Beitragsnummer\n 250\n \n \n Zahlung\n der\n Rundfunkbeiträge\n -\n Beitragsnummer\n 250\n \n \n Sehr\n geehrter\n Herr\n \n \n Ihre\n Rundfunkbeiträge\n sind\n am\n 15.07.2018\n fällig.\n \n \n Bitte\n zahlen\n Sie\n den\n Betrag\n von\n 52,50\n EUR.\n Für\n die\n Überweisung\n haben\n wir\n ein\n Zahlungsformular\n für\n \n \n Sie\n vorbereitet.\n \n \n Möchten\n Sie\n den\n Rundfunkbeitrag\n einfach\n und\n bequem\n per\n Lastschrift\n zahlen?\n Mit\n der\n Erteilu\n \n \n 2\n :\n rn\n ET\n ‘\n ng\n des\n SEPA-\n \n \n Lastschriftmandats\n werden\n die\n Rundfunkbeiträge\n künftig\n von\n Ihrem\n Konto\n eingezogen.\n Gerne\n Können\n sie\n \n \n hierfür\n das\n beigefügte\n Formular\n verwenden\n oder\n Ihre\n Daten\n unter\n rundfunkbeitrag.de\n online\n übermitteln.\n \n \n Mit\n freundlichen\n Grüßen\n \n \n Ihr\n Beitragsservice\n von\n ARD,\n ZDF\n und\n Deutschlandradio\n \n \n So\n errechnet\n sich\n der\n Gesamtbetrag\n \n \n "Buchungen:\n a,\n 2\n '\n it\n ;\n \n \n Ihr\n Kontostand\n am\n 22.03.2018\n es\n ANNERDDNL\n en\n \n \n 04.04.18\n Zahlungseingang\n vom\n 03.04.2018\n E35\n \n \n 26.06.18\n Rundfunkbeiträge\n für\n 1\n Wohnung\n 06.2018\n -\n 08.2018\n 52.50\n \n \n Gesamtbetrag\n 52\n =\n \n \n EEE\n nn\n [nn\n |\n \n \n </div>\n</div>\n`; const HOCR_HAS_WORDS_REGEX = new RegExp(/<span[^>]*?ocrx_word[^>]*?>.*?<\/span>/, "g"); const HOCR_EMPTY_WORD_REGEX = new RegExp(/>\s*?<\/span>/); let hasRecognizedText = undefined; if (hocr) { hasRecognizedText = false; const matches = hocr.matchAll(HOCR_HAS_WORDS_REGEX); let match = matches.next(); while (!match.done) { // if NON-EMPTY word found, terminate the iteration if (!HOCR_EMPTY_WORD_REGEX.test(match.value[0])) { hasRecognizedText = true; break; } match = matches.next(); } } console.timeEnd("test"); console.log(hasRecognizedText);

Rendered benchmark preparation results:

Suite status: <idle, ready to run>

Previous results

Test case name	Result
DOMParser
Regex

Fastest: N/A

Slowest: N/A

Latest run results:

No previous run results

This benchmark does not have any results yet. Be the first one to run it!

Autogenerated LLM Summary (model llama3.2:3b, generated one year ago):

LLMs can make mistakes. Check important info.

Related benchmarks:

DomParser vs Regex for HOCR (version: 2)

Comparing performance of: DOMParser vs Regex

Created: 3 years ago by: Registered User

Jump to the latest result

DOMParser

Regex

Suite status: <idle, ready to run>

Fastest: N/A

Slowest: N/A

No previous run results

Autogenerated LLM Summary (model llama3.2:3b, generated one year ago):