OCR Eso

Teoría

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

Instalar paquetes y llamar librerías

#install.packages("tesseract") #OCR
library(tesseract)
#install.packages("magick") #PNG
library(magick)

## Linking to ImageMagick 6.9.12.98
## Enabled features: cairo, freetype, fftw, ghostscript, heic, lcms, pango, raw, rsvg, webp
## Disabled features: fontconfig, x11

#install.packages("officer") #word
library(officer)
#install.packages("pdftools") #pdf
library(pdftools)

## Using poppler version 23.08.0

#install.packages("purrr") #map: apply a function to each element of a vector
library(purrr)

Separar en páginas (imágenes) un PDF

#file.choose()
pdf1 <- pdf_convert("C:\\Users\\naila\\OneDrive\\Documentos\\1 TEC\\7MO SEMESTRE\\M2\\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!

Imágenes en texto

imagen1 <- image_read("C:\\Users\\naila\\OneDrive\\Documentos\\eso3_1.png")
texto1 <- ocr(imagen1)
imagen2 <- image_read("C:\\Users\\naila\\OneDrive\\Documentos\\eso3_2.png")
texto2 <- ocr(imagen2)
imagen3 <- image_read("C:\\Users\\naila\\OneDrive\\Documentos\\eso3_3.png")
texto3 <- ocr(imagen3)

Guardar texto en WORD

doc1 <- read_docx()
doc1 <- doc1 %>% body_add_par(texto1, style = "Normal")
doc1 <- doc1 %>% body_add_par(texto2, style = "Normal")
doc1 <- doc1 %>% body_add_par(texto3, style = "Normal")
print(doc1, target = "esoenpdf.docx")

Conclusiones

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