OCR

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

1. Cargar librerias

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

1. Cargar la imagen a leer

imagen1 <- image_read("/Users/sebastianfajardo/Downloads/disciplina.webp")
tesseract_download("spa")

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

2. Leer texto con OCR

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

## [1] "DISCIPLINA\n+ Disciplina es la coordinación de actitudes, con\nlas cuales se instruye para desarrollar:\nhabilidades más rápido, o para seguir un:\ndeterminado código de conducta u orden.\nDES\n|\n"

3. Generar documento>

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