eso act 10

Teoria

El Reconocimiento óptico de Caracteres (OCR) es una 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.

#Instalar paquetes y llamar librerias
#install.packages("tesseract") #OCR
library(tesseract)
#install.packages("magick") #OCR
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") #OCR
library(officer)
#install.packages("pdftools") #OCR
library(pdftools)

## Using poppler version 23.08.0

pdf1 <- pdf_convert("C:\\Users\\karee\\Downloads\\eso3.pdf",dpi=600)

## Converting page 1 to eso3_1.png... done!
## Converting page 2 to eso3_2.png... done!
## Converting page 3 to eso3_3.png... done!

#%>%map(ocr)

#obtener texto de una imagen PNG

#file.choose()
imagen1 <- image_read("C:\\Users\\karee\\Downloads\\quote.png")
tesseract_download("spa")

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

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

## [1] "Disciplina no significa\ncontrol. Disciplina\nsignifica tener el\nsentido común de\nhacer exactamente lo\nque se necesita.\n\n- Sadhguru\n"

#Guardar texto en WORD

doc1 <- read_docx()
doc1 <-doc1%>% body_add_par(texto1,style ="Normal")
print(doc1,target = "image1enpdf.docx")

#Conclusiones El OCR es una tecnologia que nos permite hacer mas eficiente las operaciones de la empresa,ahorrando costos en la captura de la informacion.