OCR Eso

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

#insta11.packages ("purrr") # PDF en imagen 
library(purrr)

Paso 2. Obtener texto de un PDF

#file.choose()
pdf1 <- pdf_convert("C:\\Users\\valer\\OneDrive\\Escritorio\\IA con impacto empresarial\\RStudio\\Imágenes\\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!

imagen1 <- image_read("C:\\Users\\valer\\OneDrive\\Escritorio\\IA con impacto empresarial\\RStudio\\Imágenes\\eso3_1.png")
texto1 <- ocr(imagen1)
imagen2 <- image_read("C:\\Users\\valer\\OneDrive\\Escritorio\\IA con impacto empresarial\\RStudio\\Imágenes\\eso3_2.png")
texto2 <- ocr(imagen2)
imagen3 <- image_read( "C:\\Users\\valer\\OneDrive\\Escritorio\\IA con impacto empresarial\\RStudio\\Imágenes\\eso3_3.png")
texto3 <- ocr(imagen3)

Paso 3. 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 = "Esoenword2.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.