PDF a PNG

#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)
#install.packages("purrr")
library(purrr)

#Convertir PDF en PNG

pdf1 <- pdf_convert("C:\\Users\\gamas\\Downloads\\eso3.pdf",dpi = 600) %>% 
map(ocr)

## Converting page 1 to eso3_1.png... done!
## Converting page 2 to eso3_2.png... done!
## Converting page 3 to eso3_3.png... done!

tesseract_download("spa")

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

page1 <- ocr("eso3_1.png", engine = tesseract("spa"))
page2 <- ocr("eso3_2.png", engine = tesseract("spa"))
page3 <- ocr("eso3_3.png", engine = tesseract("spa"))

#Convertir PNG a WORD

doc1 <- read_docx()
doc1 <- doc1 %>%
  body_add_par(page1, style = "Normal") %>%
  body_add_par(page2, style = "Normal") %>%
  body_add_par(page3, style = "Normal") %>%
print(doc1, target = "esoenword.docx")

#Conclusión La empresa puede sacar provecho de convertir imágenes en PDF para eliminar papeles físicos y tener mayor control de sus documentos.