OCR

#Teoría #El Reconocimiento óptico de caracteres (OCR) es una tecnología utilizada para convertir diferentes tipos de documentos, como imágenes, documentos impresos escaneados, fotografías de texto, archivos PDF o imágenes capturadas de una cámara, en datos editables y buscables.

#Instalar paquetes y llamar librerías

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

#Obtener texto de una imagen PNG

imagen1 <- image_read("C:\\Users\\gamas\\Pictures\\imagen1.png")
tesseract_download("spa")

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

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

## [1] "10 características del texto\n\n1.Tiene una intención\n\n2.Sujeta una excelente presentación\n\n3.Sostiene cohesión\n\n4.Desenvuelve un tema\n\n5.Mantiene la coherencia\n\n6.Emplea un lenguaje adecuado\n\n7.Expone números apropiadamente\n\n8.Muestra una idea por párrafo ME\n9.Está corregido US)\n10.Es claro y entendible Y\n"

#Guardar texto en WORD

doc1 <- read_docx()
doc1 <- doc1 %>% body_add_par(texto1, style = "Normal")
print(doc1, target = "imagen1enpdf.docx")

#Conclusiones #El OCR es una tecnología que nos permite hacer más eficientes las operaciones de la empresa, ahorrando costos en la captura de la información.