Text Mining

library(pdftools)

## Using poppler version 25.09.1

# Cargar el texto del archivo PDF
texto_raw <- pdf_text("eso.pdf")

# Crear la base de datos a partir del contenido
base_datos <- data.frame(
  pagina = seq_along(texto_raw),
  texto = texto_raw,
  stringsAsFactors = FALSE
)

Teoría

La minería de texto (TM) es el proceso de extraer información útil, patrones o conocimiento de textos no estructurados.

Consta de tres 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)
# 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)

Etapa 1. Obtener Datos mediante OCR

De imagen PNG a texto en Word

imagen1 <- image_read()
texto1 <- ocr(imagen1)
texto1
doc1 <- read_docx() # Crea un documento de Word en blanco
doc1 <- doc1 %>% body_add_par(texto1) # Pega el texto en el doc1
# print(doc1, target="texto1.docx") # Guarda el doc1 en la compu

De imagen PNG en español a texto en Word

imagen2 <- image_read()
tesseract_download("spa")
texto2 <- ocr(imagen2, engine = tesseract("spa"))
texto2
doc2 <- read_docx() # Crea un documento de Word en blanco
doc2 <- doc2 %>% body_add_par(texto2) # Pega el texto en el doc1
# print(doc2, target="texto2.docx") # Guarda el doc1 en la compu

Actividad 1. Eso

# De PDF a Texto en Word
pdf_eso <- pdf_convert("eso.pdf", dpi = 600) %>% map(ocr)

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

# pdf_eso
# Repetir pasos previos para convertir imágenes a texto en Word.

Etapa 2. Explorar Datos

Instalar paquetes y llamar librerías

# install.packages("syuzhet") #Análisis de Sentimientos
library(syuzhet)
# install.packages("tm") # Minería de Texto
library(tm)
# install.packages("wordcloud") # Nube de palabras
library(wordcloud)
# install.packages("RColorBrewer") # Colores
library(RColorBrewer)

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, Sopresa, 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"), "hacia", "habia", "habian", "hecho"))
wordcloud(words = palabras, min.freq = 2, rot.per = 0, random.order = FALSE)