OCR

Teoría

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

La Minería de Datos(TM) es el proceso de extraer información útil, patrones o conocimiento de textos 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 imágnes.
2. Explorar datos: Representación gráfica o visual de los datos para su interpretación. Los métodos más comunes son el Análisis de Sentimientos, la Nube de Palabras y el Topic Modelling.
3. Análisis predictivo: Son las técnicas y modelos estadísticos para predecir resultados futuros. Los modelos más usados son el Random Forest, redes neuronales y regresiones.

Instalar paquetes y llamar librerías

# install.packages("tidyverse") # Manipulación de datos"
library(tidyverse)
# install.packages("tesseract") # OCR
library(tesseract)
# install.packages("magick") # PNG
library(magick)
# install.packages("officer") # Office Word
library(officer)
# install.packages("pdftools") # PDF
library(pdftools)
# install.packages("purrr") # Para la función "map" para aplicar una función a cada elemento de un vector
library(purrr)
# install.packages("syuzhet") #Análisis de sentimientos
library(syuzhet)
# install.packages("tm") # Míneria de Texto
library(tm)
# install.packages("wordcloud") # Nube de Palabras
library(wordcloud)
# install.packages("RColorBrewer") # Colores
library(RColorBrewer)

De imagen PNG a texto en Word

imagen1 <- image_read("C:\\Users\\Adrián\\Downloads\\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() # Crea documento de word en blanco
doc1 <- doc1 %>% body_add_par(texto1) # Pega texto en el documento
# print(doc1, target="texto1.docx") # Guarda el documento en la computadora

De imagen PNG en Español a texto en Word

imagen2 <- image_read("C:\\Users\\Adrián\\Downloads\\imagen2.PNG")
tesseract_download("spa")

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

## [1] "C:\\Users\\Adrián\\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="texto2.docx")

De PDF a texto en Word

pdf_eso <- pdf_convert("C:\\Users\\Adrián\\Downloads\\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 imágenes 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")
# Alegría, Tristeza, Ira, Miedo, Sorpresa, Asco, Anticipación, Confianza
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)

Conclusiones

Mediante el uso de “OCR”, así como el “Análisis de Sentimientos” y la “Nube de Palabras”, es posible digitalizar, analizar y detectar los aspectos más relevantes dentro de un documento o archivo de texto de forma rápida y eficiente, sin la necesidad de leer el texto de forma completa o de requerir insertar de forma manual el texto a analizar.