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 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 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

# Manipulación de datos
library(tidyverse)

# OCR
library(tesseract)

# PNG
library(magick)

# Office (Word)
library(officer)

# PDF
library(pdftools)

# Funciones map
library(purrr)

# Análisis de sentimientos
library(syuzhet)

# Minería de texto
library(tm)

# Nube de palabras
library(wordcloud)

# Paleta de colores
library(RColorBrewer)

De imagen PNG a texto en Word

imagen1 <- image_read("/Users/miguel/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()                       # 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 archivo

De imagen PNG en Español a texto en Word

imagen2 <- image_read("/Users/miguel/Desktop/imagen2.PNG")

# Descargar el lenguaje español para OCR
tesseract_download("spa")

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

## [1] "/Users/miguel/Library/Application Support/tesseract5/tessdata/spa.traineddata"

# Reconocer texto en español
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"

# Crear documento de Word y pegar el texto
doc2 <- read_docx()                       
doc2 <- doc2 %>% body_add_par(texto2)     
print(doc2, target="texto2.docx")         # Guardar el archivo

De PDF a texto en Word

pdf_eso <- pdf_convert("/Users/miguel/Desktop/eso.pdf") %>% 
  map_chr(ocr)   # Devuelve un solo texto por página

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

doc_pdf <- read_docx()
doc_pdf <- doc_pdf %>% body_add_par(paste(pdf_eso, collapse = "\n\n---- PAGE BREAK ----\n\n"))
print(doc_pdf, target = "pdf_texto.docx")

Análisis de Emociones y sentimientos

# Texto proveniente del OCR (ejemplo: pdf_eso)
texto <- pdf_eso    

# Tokenizar (separa el texto en palabras)
texto_palabras <- get_tokens(texto)

# Análisis de sentimientos en español
emociones <- get_nrc_sentiment(texto_palabras, language = "spanish")

# Ver resultados
head(emociones)

##   anger anticipation disgust fear joy sadness surprise trust negative positive
## 1     0            0       0    0   0       0        0     0        0        0
## 2     0            0       0    0   0       0        0     0        0        0
## 3     0            0       0    0   0       0        0     0        0        0
## 4     0            0       0    0   0       0        0     0        0        0
## 5     0            0       0    0   0       0        0     0        0        0
## 6     0            0       0    0   0       0        0     0        0        0

# Gráfico de emociones básicas (Alegría, Tristeza, Ira, etc.)
barplot(colSums(prop.table(emociones[, 1:8])))

# Puntaje de sentimientos (positivo vs negativo)
sentimientos <- (emociones$negative * -1) + emociones$positive

# Gráfico de sentimientos
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