OCR Eso

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

Instalar paquetes y llamar librerías

#install.packages("tesseract") # OCR
library(tesseract)
#install.packages("magick") # PNG
library(magick)

## Warning: package 'magick' was built under R version 4.3.3

## Linking to ImageMagick 6.9.12.93
## Enabled features: cairo, fontconfig, freetype, heic, lcms, pango, raw, rsvg, webp
## Disabled features: fftw, ghostscript, x11

#install.packages("officer") # Word
library(officer)

## Warning: package 'officer' was built under R version 4.3.2

#install.packages("pdftools") # pdf
library(pdftools)

## Using poppler version 23.04.0

#install.packages("purrr")
library(purrr)

Obtener texto de una imagen PNG

# file.choose()
pdf1 <- pdf_convert("/Users/yessicaacosta/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!

imagen1 <- image_read("/Users/yessicaacosta/eso3_1.png")
texto1 <- ocr(imagen1)
imagen2 <- image_read("/Users/yessicaacosta/eso3_2.png")
texto2 <- ocr(imagen2)
imagen3 <- image_read("/Users/yessicaacosta/eso3_3.png")
texto3 <- ocr(imagen3)

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 = "Esoenpdf.docx")

Conclusion

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