OCR

Importar la base de datos

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

Nota: en reconocimiento de placas de estacionamiento hasta se podría usar para hacer campañas segmentadas y dirigidas a los clientes. Se puede checar tipo de vehiculo con placas.

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

Consta de 3 estapas: 1.- Obtener Datos: El Reconocimiento Óptico de Caracteres (OCR), es la tecnología que permite convertir imágenes de texto en texto editable. También es conocido como extracción de texto en imágenees. 2.- Explorar datos: Representación gráfica y visual de los datos para su interpretación. 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") # Para análisis de sentimiento
library(syuzhet)
#install.packages("tm") # Para minería de texto
library(tm)
#install.packages("wordcloud") # Para nubes de palabras
library(wordcloud)
#install.packages("RColorBrewer") # Para colores
library(RColorBrewer)

De Imagen PNG a texto en Word

# Esto funciona en textos en ingles
imagen1 <- image_read("/Users/humbertocs/Desktop/Tec/Concentración IA/M2_Programacion R IA/OCR/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)
print(doc1, target="texto1.docx") # Guarda el documento en la computadora

De Imagen PNG ESPAÑOL a texto en Word

imagen2 <- image_read("/Users/humbertocs/Desktop/Tec/Concentración IA/M2_Programacion R IA/OCR/imagen2.PNG")
# Esto funciona en textos en español o cualquier idioma (cambiar spa)

tesseract_download("spa")

## [1] "/Users/humbertocs/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)
print(doc2, target="texto2.docx") # Guarda el documento en la computadora

De PDF a texto en Word

# Esto funciona en textos en ingles
pdf_eso <- pdf_convert("/Users/humbertocs/Desktop/Tec/Concentración IA/M2_Programacion R IA/OCR/eso.pdf") %>% map(ocr)

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

### repetir analsisi anterior
imagen_eso1 <- image_read("/Users/humbertocs/Desktop/Tec/Concentración IA/M2_Programacion R IA/OCR/eso_1.png")


texto2 <- ocr(imagen_eso1, engine = tesseract("spa"))
texto2

## [1] "L DESPUÉS DE LA INUNDACIÓN (1957)\nEl terror, que no terminaría por otros veintiocho años —si es que terminó alguna vez—,\ncomenzó, hasta donde sé o puedo contar, con un barco hecho de una hoja de un diario\nque flotaba a lo largo del arroyo de una calle anegada de lluvia.\nEl barquito cabeceó, se ladeó, volvió a enderezarse en medio de traicioneros remolinos y\ncontinuó su marcha por Witcham Street hacia el semáforo que marcaba la intersección\nde ésta y Jackson. Las tres lentes verticales a los lados del semáforo estaban a oscuras y\ntambién todas las casas, en aquella tarde de otoño de 1957. Llovía sin cesar desde hacía\nya una semana y dos dias atrás habían llegado también los vientos, Desde entonces, la\nmayor parte de Derry había quedado sin corriente eléctrica y aún seguia asi.\nUn chiquillo de impermeable amarillo y botas rojas seguía alegremente al barco de\npapel. La lluvia no había cesado, pero al fin estaba amainando. Golpeteaba sobre la\ncapucha amarilla del impermeable sonando a los oídos del niño como lluvia sobre el\ntejado de un cobertizo.. un sonido reconfortante, casi acogedor. El niño del impermeable\namarillo era George Denbrough. Tenía seis años. William, su hermano, a quien casi todos\nlos niños de la escuela primaria de Derry (y hasta los maestros, aunque jamás habrían\nusado el apodo frente a él) conocian como Bill el Tartaja. estaba en su casa pasando los\nrestos de una gripe bastante seria. En ese otoño de 1957, ocho meses antes de que\n'comenzasen realmente los horrores y veintiocho años antes del desenlace final, Bill el\nTartaja tenía diez años.\nEra Bill quien había hecho el barquito junto al cual corría George. Lo había hecho sentado.\n'en su cama, con la espalda apoyada en un montón de almohadas, mientras la madre.\ntocaba Para Elisa en el piano de la sala y la lluvia barría incansablemente la ventana de su\ndormitorio.\nA untercio de manzana, camino de la intersección y del semáforo apagado, Witcham\nStreet estaba cerrada al tráfico por varios toneles de brea y cuatro caballetes color\nnaranja. En cada uno de esos caballetes se leia: AYUNTAMIENTO DE DERRY -\nDEPARTAMENTO DE OBRAS PÚBLICAS. Tras ellos, la lluvia habia desbordado\nalcantarillas atascadas con ramas, piedras y cúmulos de pegajosas hojas otoñales. El\nagua había ido picando el pavimento al principio, arrancado luego grandes trozos\ncodiciosos: todo esto, hacia el tercer día de las lluvias. Hacia el mediodía de la cuarta\njornada, grandes trozos de pavimento eran arrastrados por la intersección de Jackson y\nWitcham como témpanos de hielo en miniatura. Muchos habitantes de Derry habían\nempezado por entonces a hacer chistes nerviosos sobre el Arca, El Departamento de\nObras Públicas se las había arreglado para mantener abierta Jackson Street, pero\nWitcham estaba intransitable desde las barreras hasta el centro mismo de la ciudad.\nTodos estaban de acuerdo, sin embargo, en que lo peor había pasado. El río Kenduskeag\nhabía crecido casi hasta sus márgenes en los eriales y hasta muy pocos centimetros por\ndebajo de los muros de cemento del canal que constreñía su paso por el centro de la\nciudad. En esos momentos, un grupo de hombres —entre ellos Zack Denbrough, el padre\nde George y de Bill — estaba retirando los sacos de arena que habían lanzado el día\nanterior con aterrorizada prisa. Un día antes, la inundación y sus costosos daños habían\nparecido casi inevitables. Bien sabía Dios que ya había ocurrido anteriormente —la\n"

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

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")))
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