OCR

Teoría

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

library(tesseract)
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

library(officer)
library(pdftools)

## Using poppler version 23.04.0

Obtener texto de una imagen PNG

#file.choose()
imagen1 <- image_read("/Users/luisangel/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/7th Season/M2/disciplina.png")
#tesseract_download("spa")
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 tecnología que nos permite hacer eficientes múltiples procesos de captura de información que se encuentras en distintos formatos como por ejemplo imágenes, y esto a su vez nos ayuda a disminuir errores y aumentar la productividad.