OCR Carta de Amor

Teoria

El Reconocimiento optico de Caracteres (OCR) es una tecnologia utilizada para convertir diferentes tipos de docuemtnos, como imagenes, documentos impresos escaneados, fotografias de texto, archivos de texto, archivos PDF, o imagenes capturadas con una camara, en datos editables y buscables.

Instalar paquetes y llamar librerias

#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

# file.choose()
imagen1 <- image_read("https://poemario.com/png/carta-amor.png")
tesseract_download("spa")

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

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

## [1] "+ Una Carta de Amor, Julio Cortázar - Poemario +\nTodo lo que de vos quisiera\nes tan poco en el fondo\nporque en el fondo es todo,\ncomo un perro que pasa, una colina,\nesas cosas de nada, cotidianas,\nespiga y cabellera y dos terrones,\nel olor de tu cuerpo,\nlo que decís de cualquier cosa,\nconmigo o contra mía,\ntodo eso es tan poco,\nyo lo quiero de vos porque te quiero.\nQue mires más allá de mí,\nque me ames con violenta prescindencia\ndel mañana, que el grito\nde tu entrega se estrelle\nen la cara de un jefe de oficina,\ny que el placer que juntos inventamos\nsea otro signo de la libertad\n"

Guardar texto en WORD

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

Conclusion

Con las librerias tesseract, magick, officer y pdftools pude hacer una imagen en texto luego extraer el texto y pegarlo a un word. Es una tecnologia que permite hacer mas eficiente las operaciones de la empresa, ahorra costos sen la captura de informacion