OCR

Teoría

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

La Minería de datos (TM) es el proceso de extrear información útil, patrones o conocimiento de texts no estructurados.

Consta en 3 etapas: 1. Obtener datos: El reconocimiento óptico de caracteres (OCR) es una tecnología que permite convertir imagenes de texto en texto editable. Tambíen es reconocido por extraccion de texto en imagenes 2. Explorar datos: Representación gráfica o visual de datos para su interpretación. Los métodos más comunes son: ánalisis de sentimientos, nueb de palabras y topic modeling. 3. Analisis predictivo: técnica y modelos estadisticos para predicir resultados futuros. los módelos más utilizados son el Random Forest, redes neuronales y regresion

Instalar paquetes y llamar librerías

# install.packages("cluster")  #Analisis de Agrupamiento
library(cluster)
# install.packages("ggplot2") #Graficar
library(ggplot2)
# install.packages("data.table") #Manejo de muchos datos
library(data.table)
# install.packages("factoextra") #Gráfica optimización de numeros cluster
library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:data.table':
## 
##     between, first, last

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

# install.packages("rpart") #Gráfica optimización de numeros cluster
library(rpart)
# install.packages("rpart.plot") #Gráfica optimización de numeros cluster
library(rpart.plot)
# install.packages("tidyverse")
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ lubridate 1.9.4     ✔ tibble    3.3.0
## ✔ purrr     1.1.0     ✔ tidyr     1.3.1
## ✔ readr     2.1.5

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between()     masks data.table::between()
## ✖ dplyr::filter()      masks stats::filter()
## ✖ dplyr::first()       masks data.table::first()
## ✖ lubridate::hour()    masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag()         masks stats::lag()
## ✖ dplyr::last()        masks data.table::last()
## ✖ lubridate::mday()    masks data.table::mday()
## ✖ lubridate::minute()  masks data.table::minute()
## ✖ lubridate::month()   masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second()  masks data.table::second()
## ✖ purrr::transpose()   masks data.table::transpose()
## ✖ lubridate::wday()    masks data.table::wday()
## ✖ lubridate::week()    masks data.table::week()
## ✖ lubridate::yday()    masks data.table::yday()
## ✖ lubridate::year()    masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

# install.packages("tesseract")
library(tesseract)
# install.packages("magick")
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")
library(officer)
# install.packages("pdftools")
library(pdftools)

## Using poppler version 23.04.0

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

Imagen a texto

imagen1 <- image_read("/Users/mariajoseflores/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 word blanco
doc1 <- doc1 %>% body_add_par(texto1) #Pega el texto en el documento 
# Extraer texto con OCR
texto1 <- ocr(imagen1)

# Crear documento Word en blanco
doc1 <- read_docx()

# Pegar el texto extraído
doc1 <- doc1 %>% body_add_par(texto1)

Imagen en español a texto WORD

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

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

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

# Descargar datos de idioma español (solo se hace una vez)
tesseract_download("spa")

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

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

# Crear el motor en español
esp_engine <- tesseract("spa")

# Usar el motor con OCR
imagen2 <- image_read("/Users/mariajoseflores/Downloads/imagen2.PNG")
texto2 <- ocr(imagen2, engine = esp_engine)

# Crear y guardar el Word
doc2 <- read_docx() %>% 
  body_add_par(texto2)

print(doc2, target = "texto2.docx")

de PDF a texto WORD

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

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

‹span style=“color:blue”> Análisis de Emociones y Sentimientos

texto <- pdf_eso
# Paquetes necesarios
# install.packages("syuzhet")
library(syuzhet)
library(dplyr)

# 1) Unir el texto OCR del PDF (lista -> vector de caracteres)
# pdf_eso viene de: pdf_convert(...) %>% map(ocr)
texto <- pdf_eso %>% unlist(use.names = FALSE) %>% paste(collapse = "\n")

# 2) Partir en oraciones (syuzhet)
oraciones <- get_sentences(texto)

# 3) Emociones NRC en español
# Alegría, Tristeza, Ira, Miedo, Sorpresa, Asco, Anticipación, Confianza
emociones <- get_nrc_sentiment(oraciones, language = "spanish")

# 4) Agregar por emoción y normalizar (proporciones)
emociones_prop <- prop.table(colSums(emociones[, 1:8]))

# 5) Gráfica rápida (base R)
barplot(emociones_prop,
        main = "Emociones NRC (español)",
        ylab = "Proporción",
        las = 2)

# Si quieres ver las cifras ordenadas:
sort(emociones_prop, decreasing = TRUE)

##        trust         fear anticipation      sadness     surprise        anger 
##   0.20652174   0.19565217   0.17391304   0.10869565   0.09239130   0.08695652 
##          joy      disgust 
##   0.07608696   0.05978261