OCR - Carta de Amor

Teoría

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

Paso 1.Instalar paquetes y 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

#instal1.packages ("officer") #word
library(officer)
#insta11.packages ("pdftools") # pdf
library(pdftools)

## Using poppler version 23.08.0

Paso 2. Obtener texto de una imagen PNG

#file.choose()
imagen1 <- image_read("C:\\Users\\valer\\OneDrive\\Escritorio\\IA con impacto empresarial\\RStudio\\Imágenes\\cartadeamor.png")
tesseract_download("spa")

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

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

## [1] "Mi amor se amplía.\nEs un paracaídas\nperfecto.\nALEJANDRA PIZARNIK\nur\n"

Paso 3. Guardar texto en WORD

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

Conclusión

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