OCR

Teoria

El reconocimiento óptico de caracteres (OCR) es una tecnología usada para convertir diferentes documentos (imagenes, documentos impresos y escaneados; fotografía de texto, PDF o imágenes de cámara) en datos editables y buscables.

Instalar paquetes y llamar librerías

#install.packages("tesseract")
#install.packages("magick")
#install.packages("officer")
#install.packages("pdftools")
library(tesseract)
library(magick)
library(officer)
library(pdftools)

Obtener texto de una imagen PNG

# file.choose()
imagen1 <- image_read("C:\\Users\\rodio\\Downloads\\disciplina.png")

# Descargar tesseract en español
tesseract_download("spa")

## [1] "C:\\Users\\rodio\\AppData\\Local\\tesseract5\\tesseract5\\tessdata/spa.traineddata"

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

texto1

## [1] "La DISCIPLINAS\ny Es elfPuente [ie\nDi Y los Logros e\n$94 EN ES f ; y |\ny SE A ci + UN\nES E > L PES A\n"

Guardar texto en PDF

doc1 <- read_docx()
doc1 <- doc1 %>%
  body_add_par(texto1, style = "Normal")

print(doc1, target = "imagen1_enpdf.docx")

Conclusiones

El OCR es una tecnología que nos permite hacer más eficiente las operaciones de la empresa, ahorrando costos y recursos en la captura de la información. Aunque muchas veces no sea tan efectiva en su nivel básico.