OCR

Teoría

El reconocimiento óptico de caracteres (OCR) es una tecnología utilizada para convertir diferentes tipos de documentos (imágenes, documentos impresos escaneados, fotografías de texto, archivos PDF) en datos editables y buscables.

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

Consta de 3 etapas:

1. Obtener datos: el OCR convierte imágenes de texto en texto editable.
   
2. Explorar datos: representación visual para su interpretación (análisis de sentimientos, nube de palabras, topic modeling).
   
3. Análisis predictivo: técnicas y modelos estadísticos para predecir resultados (random forest, redes neuronales, regresiones).

Instalar paquetes y llamar librerías

De imagen PNG a texto en Word

imagen1 <- image_read("/Users/brisnaordaz/Downloads/imagen1.PNG")
texto1  <- ocr(imagen1)

doc1 <- read_docx() %>%
  body_add_par(texto1)

print(doc1, target = "texto1.docx")

#De imagen PNG en Español a texto en Word

imagen2 <- image_read("/Users/brisnaordaz/Downloads/imagen2.PNG")
texto2  <- ocr(imagen2, engine = eng_spa)

doc2 <- read_docx() %>%
  body_add_par(texto2)

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

#De PDF a PNG y a texto

png_files <- pdftools::pdf_convert(
  "/Users/brisnaordaz/Downloads/eso.pdf",
  format = "png", dpi = 300
)

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

# OCR de cada página -> vector de texto (uno por página)
texto_paginas <- purrr::map_chr(png_files, ~ ocr(.x, engine = eng_spa))

# Texto unificado
texto_pdf <- paste(texto_paginas, collapse = "\n\n")

#Guardar cada página OCR en Word

for (i in seq_along(texto_paginas)) {
  read_docx() %>%
    body_add_par(texto_paginas[i]) %>%
    print(target = sprintf("texto_eso_%d.docx", i))
}

#Análisis de Emociones y Sentimientos

# Tokens del texto completo
texto_palabras <- syuzhet::get_tokens(texto_pdf)

# Análisis NRC (diccionario español)
emociones <- syuzhet::get_nrc_sentiment(texto_palabras, language = "spanish")

barplot(
  colSums(prop.table(emociones[, 1:8])),
  main = "Distribución de emociones",
  ylab = "Proporción",
  col = rainbow(8),
  las = 2
)

#Nube de palabras

palabras <- texto_palabras
palabras <- tm::removeWords(
  palabras,
  c(stopwords("spanish"), "habia", "hacia", "casi")
)

set.seed(123)
wordcloud(
  words       = palabras,
  min.freq    = 2,
  rot.per     = 0,
  random.order = FALSE,
  colors      = brewer.pal(8, "Dark2")
)

## 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