OCR Carta

Teoria

El reconocimiento óptico de caracteres (OCR) es una tecnologia utilizada para convertir diferentes tipos de documentos, como imagines, documentos impresos escaneados, fotografías de texto, archivos PDF, o imàgines capturadas con una camara en datos editables y buscables

Instalar paquetes y librerias

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

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

## Using poppler version 23.04.0

Obtener texto de una imagen png

imagen1 <- image_read("Desktop/carta.jpg")
tesseract_download("spa")

## [1] "/Users/josereneolea/Library/Application Support/tesseract5/tessdata/spa.traineddata"

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

## [1] "ES le siento muy aforluntada por =\n5 liafperle conocido y porque mo =\n — sigas eligiendo cada dia. res lo ==\nO vts ceros: que e a puedo. ES\nO st Tecno Voy ricas y E\na stoNpre =\n"

Guardar texto en word

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

Conclusiones

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