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.

La Minería de Datos (TM) es el proceso de extraer información útil, patrones o conocimiento de texto no estructurado.

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 para su interporetación. Los métodos más comúnes son el Análisis de Sentimientos, la Nube de Palabras y el Topic Modeling. 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.

#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")
library(tm)
#install.packages("wordcloud") #Nube de palabras
library(wordcloud)
#install.packages("RColorBrewer") #Colores
library(RColorBrewer)

De imagen PNG en español a texto en word

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

De imagen PNG en español a texto en word

imagen2 <- image_read("C:\\Users\\artur\\Downloads\\imagen2.PNG")
texto2 <- ocr(imagen2)
texto2

## [1] "Un importante, y quiza controversial, asunto politico es el que se refiere al efecto del salario minimo 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 minimos.\n"

doc2 <- read_docx()#Crea un documento de word en blanco
doc2 <- doc2 %>% body_add_par(texto2)#Pega el texto en el documento
print(doc2, target="texto2.docx") #Guarda el documento en su computadora

De PDF a texto word

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

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

#Repetir pasos previos
imagen3 <- image_read("C:\\Users\\artur\\Downloads\\eso_2.png")
texto3 <- ocr(imagen3)
texto3

## [1] "inundacién de 1931 habia sido un desastre con un costo de millones de délares y de mas\nde veinte vidas—. De aquello hacia ya mucho tiempo, pero atin quedaba gente por ahi\nque lo recordaba para asustar al resto. Una de las victimas de la inundacion habia sido\nhallada en Bucksport, a unos cuarenta kilometros de distancia. Los peces le habian\ncomido a ese infortunado caballero los ojos, tres dedos, el pene y la mayor parte del pie\nizquierdo. Agarrado por lo que restaba de sus manos, habia aparecido el volante de un.\nFord\n\n‘Ahora, sin embargo, el rio estaba retrocediendo y cuando se elevara la nueva presa\nhidréutica de Bangor, corriente arriba, dejaria de ser una amenaza. Al menos eso decia\nZack Denbrough, que trabajaba en Hidroeléctrica Bangor. En cuanto a los demas.. bueno,\nlas inundaciones futuras esperarian. Lo importante era salir de ésta, devolver la corriente\neléctrica y después olvidarla. En Derry. eso de olvidar la tragedia y el desastre era casi un\narte, tal como Bill Denbrough llegaria a descubrir con el tiempo.\n\nGeorge se detuvo justo detras de las barreras al borde de una profunda grieta que se\nhabia abierto en la superficie de alquitran de Witcham Street. Este barranco discurria casi\n‘exactamente en diagonal. Terminaba al otro extremo de la calle, a unos doce metros de\ndonde él se encontraba, colina abajo hacia la derecha. Ri6 en voz alta —el sonido de la\nsolitaria alegria infantil salvando metas en aquella tarde gris—. mientras un capricho del\nagua desbordada llevaba su barco de papel hasta unas cataratas a escala formadas por\nota grieta en el pavimento. El agua habia abierto con su urgencia un canal que corria a lo\nlargo de la diagonal y por ello el barco iba de un lado a otro de la calle arrastrado tan\ndeprisa por la Corriente que George tuvo que correr para seguirlo. El agua se extendia\nbajo sus botas, formando laminas de Lodo. Sus hebillas sonaban con un jubiloso tintineo\nmientras George Denbrough corria hacia su extraria muerte. Y el sentimiento que le\ncolmaba en ese momento era, clara y simplemente, amor hacia su hermano... amor y\ntambién una cietta tristeza porque Bill no podia estar alli para ver aquello y compartir.\nClaro que él trataria de describirselo cuando volviese a casa, pero sabia que jams podria\nhacer que Bill lo viese, tal como Bill se lo hubiese hecho ver a él en situaci6n inversa. Bill\ndestacaba en lectura y redaccion, pero aun a su edad George tenia capacidad suficiente\n‘como para comprender que no s6lo por eso obtenia Bill las mejores notas: tampoco era\nel Unico motivo de que a los maestros les gustaran tanto sus composiciones. La forma de\ncontar era solo una parte del asunto. Bill sabia ver.\n\nEl barquito casi silbaba a lo largo de aquel canal, sélo una pagina arrancada de la seccién\nde anuncios clasificados del News de Derry, pero George lo imaginaba como una\ntorpedera en una pelicula de guerra de esas que solia ver en el Teatro Derry con Bill. en\nlas matinées de los sdbados. Una pelicula de guerra en la que John Wayne luchaba contra\nlos japoneses. La proa del barco de papel levantaba olas a cada lado mientras seguia Su\nprecipitado curso hacia la cuneta del lado izquierdo de la calle. En ese punto, un nuevo\narroyuelo corria sobre la grieta abierta en el pavimento creando un remolino bastante\ngrande. George pensé que el barco volcaria yéndose a pique. Escoré de modo alarmante\nero luego se enderez6. gird y navege rapidamente hacia la interseccion. George lanz6\ngritos de jibilo y corrié para alcanzarlo. Sobre su cabeza, una torva rafaga de viento\notofal hizo silbar los érboles, casi completamente liberados de su carga de hojas a causa\nde la tormenta, que ese afio habia sido un segador implacable.\n"

doc3 <- read_docx()#Crea un documento de word en blanco
doc3 <- doc3 %>% body_add_par(texto3)#Pega el texto en el documento
print(doc3, target="texto3.docx") #Guarda el documento en su computadora

imagen4 <- image_read("C:\\Users\\artur\\Downloads\\eso_1.png")
texto4 <- ocr(imagen3)
texto4

## [1] "inundacién de 1931 habia sido un desastre con un costo de millones de délares y de mas\nde veinte vidas—. De aquello hacia ya mucho tiempo, pero atin quedaba gente por ahi\nque lo recordaba para asustar al resto. Una de las victimas de la inundacion habia sido\nhallada en Bucksport, a unos cuarenta kilometros de distancia. Los peces le habian\ncomido a ese infortunado caballero los ojos, tres dedos, el pene y la mayor parte del pie\nizquierdo. Agarrado por lo que restaba de sus manos, habia aparecido el volante de un.\nFord\n\n‘Ahora, sin embargo, el rio estaba retrocediendo y cuando se elevara la nueva presa\nhidréutica de Bangor, corriente arriba, dejaria de ser una amenaza. Al menos eso decia\nZack Denbrough, que trabajaba en Hidroeléctrica Bangor. En cuanto a los demas.. bueno,\nlas inundaciones futuras esperarian. Lo importante era salir de ésta, devolver la corriente\neléctrica y después olvidarla. En Derry. eso de olvidar la tragedia y el desastre era casi un\narte, tal como Bill Denbrough llegaria a descubrir con el tiempo.\n\nGeorge se detuvo justo detras de las barreras al borde de una profunda grieta que se\nhabia abierto en la superficie de alquitran de Witcham Street. Este barranco discurria casi\n‘exactamente en diagonal. Terminaba al otro extremo de la calle, a unos doce metros de\ndonde él se encontraba, colina abajo hacia la derecha. Ri6 en voz alta —el sonido de la\nsolitaria alegria infantil salvando metas en aquella tarde gris—. mientras un capricho del\nagua desbordada llevaba su barco de papel hasta unas cataratas a escala formadas por\nota grieta en el pavimento. El agua habia abierto con su urgencia un canal que corria a lo\nlargo de la diagonal y por ello el barco iba de un lado a otro de la calle arrastrado tan\ndeprisa por la Corriente que George tuvo que correr para seguirlo. El agua se extendia\nbajo sus botas, formando laminas de Lodo. Sus hebillas sonaban con un jubiloso tintineo\nmientras George Denbrough corria hacia su extraria muerte. Y el sentimiento que le\ncolmaba en ese momento era, clara y simplemente, amor hacia su hermano... amor y\ntambién una cietta tristeza porque Bill no podia estar alli para ver aquello y compartir.\nClaro que él trataria de describirselo cuando volviese a casa, pero sabia que jams podria\nhacer que Bill lo viese, tal como Bill se lo hubiese hecho ver a él en situaci6n inversa. Bill\ndestacaba en lectura y redaccion, pero aun a su edad George tenia capacidad suficiente\n‘como para comprender que no s6lo por eso obtenia Bill las mejores notas: tampoco era\nel Unico motivo de que a los maestros les gustaran tanto sus composiciones. La forma de\ncontar era solo una parte del asunto. Bill sabia ver.\n\nEl barquito casi silbaba a lo largo de aquel canal, sélo una pagina arrancada de la seccién\nde anuncios clasificados del News de Derry, pero George lo imaginaba como una\ntorpedera en una pelicula de guerra de esas que solia ver en el Teatro Derry con Bill. en\nlas matinées de los sdbados. Una pelicula de guerra en la que John Wayne luchaba contra\nlos japoneses. La proa del barco de papel levantaba olas a cada lado mientras seguia Su\nprecipitado curso hacia la cuneta del lado izquierdo de la calle. En ese punto, un nuevo\narroyuelo corria sobre la grieta abierta en el pavimento creando un remolino bastante\ngrande. George pensé que el barco volcaria yéndose a pique. Escoré de modo alarmante\nero luego se enderez6. gird y navege rapidamente hacia la interseccion. George lanz6\ngritos de jibilo y corrié para alcanzarlo. Sobre su cabeza, una torva rafaga de viento\notofal hizo silbar los érboles, casi completamente liberados de su carga de hojas a causa\nde la tormenta, que ese afio habia sido un segador implacable.\n"

doc4 <- read_docx()#Crea un documento de word en blanco
doc4 <- doc4 %>% body_add_par(texto3)#Pega el texto en el documento
print(doc4, target="texto4.docx") #Guarda el documento en su computadora

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")))
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