IT_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 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 para su interpretación. Los métodos más comunes 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.

Instalar paquetes y llamar librerías

#install.packages("tidyverse") # Manipulación de datos
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") # OCR
library(tesseract)
#install.packages("magick") # PNG
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") # Office (Word)
library(officer)
#install.packages("pdftools") # PDF
library(pdftools)

## Using poppler version 23.04.0

#install.packages("purrr") # Para la función "map" para aplicar una función a cada elemento de un vector
library(purrr)
#install.packages("syuzhet") # analisis de sentimientos
library(syuzhet)
#install.packages("tm") # minería de texto
library(tm)

## Loading required package: NLP
## 
## Attaching package: 'NLP'
## 
## The following object is masked from 'package:ggplot2':
## 
##     annotate

#install.packages("wordcloud") # nube de palabras
library(wordcloud)

## Loading required package: RColorBrewer

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

De imagen PNG a texto de Word

imagen1 <- image_read("/Users/karlalopez/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 la computadora

De imagen PNG en Español a texto en Word

imagen2 <- image_read("/Users/karlalopez/Downloads/imagen2.PNG")
tesseract_download("spa")

## Training data already exists. Overwriting /Users/karlalopez/Library/Application Support/tesseract5/tessdata/spa.traineddata

## [1] "/Users/karlalopez/Library/Application Support/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() # Crea un documento de Word en blanco
doc2 <- doc2 %>% body_add_par(texto2) # Pega el texto en el documento
print(doc1, target="texto1.docx") # Guarda el documento en la computadora

De Pdf a texto en word

pdf_eso<-pdf_convert('/Users/karlalopez/Downloads/eso.pdf') %>% map(ocr)

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

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)