OCR

Teoria

El reconocimiento óptico de caracteres (OCR) es una tecnologia utilizada para convertir diferentes tipos de documentos, como imagines, documentos impresos escaneados, fotografías de texto, archivos PDF, o imàgines capturadas con una camara en datos editables y buscables

Instalar paquetes y librerias

# install.packages("tesseract") # OCR 
# install.packages("magick") # PNG
# install.packages("officer") # word
# install.packages("pdftools") #pdf

library(tesseract)
library(magick)

## Linking to ImageMagick 6.9.12.93
## Enabled features: cairo, fontconfig, freetype, heic, lcms, pango, raw, rsvg, webp
## Disabled features: fftw, ghostscript, x11

library(officer)
library(pdftools)

## Using poppler version 23.04.0

Obtener texto de una imagen

imagen1 <- image_read("/Users/pedrovillanueva/Desktop/1.png")
tesseract_download("spa")

## [1] "/Users/pedrovillanueva/Library/Application Support/tesseract5/tessdata/spa.traineddata"

texto1 <- ocr(imagen1, engine = tesseract("spa"))

Guardar texto en word

doc1 <- read_docx()
doc1 <- doc1 %>% body_add_par(texto1, style="Normal")
print(doc1 ,target = "imagen1en.docx")

Conclusioens

EL OCR es una tecnologia que nos permite hacer mas eficiente las operaciones de la empresa, ahorrando costos en la camputra de la información.