OCR PDF

1. Cargar librerias

library(purrr)
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

2. Convertir las imagenes a png

pdf1<-pdf_convert("/Users/sebastianfajardo/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!

3. Generar los paths a las imagenes

image_paths <- c("/Users/sebastianfajardo/eso3_1.png",
                 "/Users/sebastianfajardo/eso3_2.png",
                 "/Users/sebastianfajardo/eso3_3.png")

4. Leer el texto de cada imagen

doc <- read_docx()


imagen1 <- image_read("/Users/sebastianfajardo/eso3_1.png")
texto1 <- ocr(imagen1, engine = tesseract("spa"))
doc <- doc %>% body_add_par(texto1, style = "Normal")


imagen2 <- image_read("/Users/sebastianfajardo/eso3_2.png")
texto2 <- ocr(imagen2, engine = tesseract("spa"))
doc <- doc %>% body_add_par(texto2, style = "Normal")


imagen3 <- image_read("/Users/sebastianfajardo/eso3_3.png")
texto3 <- ocr(imagen3, engine = tesseract("spa"))
doc <- doc %>% body_add_par(texto3, style = "Normal")

5. Crear un documento uniendo los textos

output_path <- "/Users/sebastianfajardo/Downloads/ocr_eso.docx"
print(doc, target = output_path)