OCR

Teoría

EL Reconocimiento Óptico de Caracteres (OCR) es una tecnología utilizada para convertir diferentes tipos de documentos, como imágenes, docuemtnos impresos escneados, fotografías de texto, archivos PDF o imágenes capturadas con una cámara, en datos editables y buscables.

La Mineria de Datos (TM) es el proceso de extraer información útil, patrones o conocimiento de texts no estructurados.

Consta de 3 etapas: 1. Obtener datos: El reconocimiento Óptico de Caracteres(OCR) es una tecnología que permite convertir imágenes de texto en texto editable. También es conocido como extracción de texto de imágenes. 2 Explorar datos: Representación gráfica o visual de los datos apra su interpretación. Los métodos más comunes son el Ánalisis de Sentimientos, la Nube de Palabras y el Topic Modeling. 3. Ánalisis predictivo: Son las técnicas y modelos estadísticos para predicir resultados futuros. Los modelos más usasdos son el Random Forest, redes neuronales y regresiones.

Instalar paquetes y llamar librerias

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

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.2     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.1.0     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

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

## Using poppler version 25.05.0

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

## Cargando paquete requerido: NLP
## 
## Adjuntando el paquete: 'NLP'
## 
## The following object is masked from 'package:ggplot2':
## 
##     annotate

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

## Cargando paquete requerido: RColorBrewer

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

DE imagen PNG a texto en Word

imagen1 <- image_read("C:\\Users\\usuario\\Desktop\\imagen1.PNG")
texto1 <- ocr(imagen1)
texto1

## [1] "Linear regression with one variable x is also known as univariate linear regression\nor simple linear regression. Simple linear regression is used to predict a single\noutput from a single input. This is an example of supervised learning, which means\nthat the data is labeled, i.e., the output values are known in the training data. Let us\nfit a line through the data using simple linear regression as shown in Fig. 4.1.\n"

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

DE imagen PNG en Español a texto en Word

imagen2<- image_read("C:\\Users\\usuario\\Desktop\\imagen2.PNG")
tesseract_download("spa")

## Training data already exists. Overwriting C:\Users\usuario\AppData\Local\tesseract5\tesseract5\tessdata/spa.traineddata

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

texto2 <- ocr(imagen2, engine = tesseract("spa"))
texto2

## [1] "Un importante, y quizá controversial, asunto político es el que se refiere al efecto del salario mínimo sobre\nlas tasas de desempleo en diversos grupos de trabajadores. Aunque este problema puede ser estudiado con\ndiversos tipos de datos (corte transversal, series de tiempo o datos de panel), suelen usarse las series de\ntiempo para observar los efectos agregados. En la tabla 1.3 se presenta un ejemplo de una base de datos\nde series de tiempo sobre tasas de desempleo y salarios mínimos.\n"

doc2 <- read_docx()
doc2 <- doc2 %>% body_add_par(texto2)
#print(doc2, target="texto3.docx")

De PDF a texto en Word

pdf_eso <- pdf_convert("C:\\Users\\usuario\\Desktop\\eso.pdf") %>% map(ocr)

## Converting page 1 to eso_1.png... done!
## Converting page 2 to eso_2.png... done!

# Repetir pasos previos para convertir imagenes a texto en Word

Análisis de Emociones y Sentimientos

texto <- pdf_eso
texto_palabras <- get_tokens(texto)
emociones <- get_nrc_sentiment(texto_palabras, language = "spanish")
barplot(colSums(prop.table(emociones[,1:8])))

sentimientos <- (emociones$negative*-1)+emociones$positive
simple_plot(sentimientos)

Nube de Palabras

palabras <- texto_palabras
palabras <- removeWords(palabras, c(stopwords("spanish"),"habia","hacia","casi"))
wordcloud(words = palabras, min.freq=2, rot.per=0, random.order=FALSE)

## Warning in tm_map.SimpleCorpus(corpus, tm::removePunctuation): transformation
## drops documents

## Warning in tm_map.SimpleCorpus(corpus, function(x) tm::removeWords(x,
## tm::stopwords())): transformation drops documents