OCR

library(tm)

## Loading required package: NLP

library(tesseract)
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

library(officer)
library(pdftools)

## Using poppler version 23.08.0

library(purrr)

Ejercicio 7: OCR

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

imagen <- image_read("C:\\Users\\eleyva1\\OneDrive - Steelcase Inc\\Documents\\LIT TEC\\disciplina.jfif")
tesseract_download("spa")

## [1] "C:\\Users\\eleyva1\\AppData\\Local\\tesseract5\\tesseract5\\tessdata/spa.traineddata"

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

## [1] "DISCIPLINA\nORGANIZACION LIMPIEZA PUNTUALIDAD\nHACERUNA || TENER UN || ENTREGAR cti\nA [lucir | Eran Pro” | serca [ura\npenoientes. [| cana cosa. | weecasie. [| VAYASA (| TIEMPO. [[ ATEMPO.\nLA DISCPLINA TARDE O TEMPRANO VENCERA A LA INTELIGENCIA\n"

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

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

Ejercicio:

pdf1 <- pdf_convert("C:\\Users\\eleyva1\\OneDrive - Steelcase Inc\\Documents\\LIT TEC\\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\\eleyva1\\OneDrive - Steelcase Inc\\Documents\\eso3_1.png")
imagen2 <- image_read("C:\\Users\\eleyva1\\OneDrive - Steelcase Inc\\Documents\\eso3_2.png")
imagen3 <- image_read("C:\\Users\\eleyva1\\OneDrive - Steelcase Inc\\Documents\\eso3_3.png")
tesseract_download("spa")

## [1] "C:\\Users\\eleyva1\\AppData\\Local\\tesseract5\\tesseract5\\tessdata/spa.traineddata"

texto1 <- ocr(imagen1, engine = tesseract("spa"))
texto2 <- ocr(imagen2, engine = tesseract("spa"))
texto3 <- ocr(imagen3, engine = tesseract("spa"))
combined_text <- paste0(texto1, texto2, texto3)

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