Antes de plantear mi problema, comparto el link de donde pueden descargar el documento con el que trabajo:
https://drive.google.com/file/d/178s_tfbqbXmnxsknxF8DP154_N1DYjgf/view
A continuación el código que estoy empleando: (No olviden crear su propia ruta antes de correrlo)
library(rJava)
library(tm)
library(qdap)
library(tidyverse)
library(pdftools)
library(stringr)
library(tidytext)
library(stringi)
library(wordcloud)
stop_es <- c(stopwords("es")) #Vector de palabras "innecesarias"
cce <- pdf_text("ruta_del_archivo") #Para leer el archivo
corpus <- Corpus(VectorSource(cce)) #Crear corpus
#Limpieza y preprocesamiento
CCE <- tm_map(corpus, tolower) %>%
tm_map(stripWhitespace) %>%
tm_map(removePunctuation) %>%
tm_map (removeWords, stop_es) %>%
stri_trans_general("Latin-ASCII") #Con esto removemos acentos en español
##Crear nuevamente el corpus. Por alguna razón que no entiendo, stri_trans_general crea un archivo que no puede leerse si no se transforma nuevamente en corpus
CCEGTO <- Corpus(VectorSource(CCE))
Después de los pasos previos, procedemos a crear la tabla de términos más frecuentes
ft <- freq_terms(CCEGTO, 50, stopwords=stop_es)
ft
El output muestra palabras que parecen estar incompletas o que no tienen sentido: (Quité algunas para centrar mi atención en el problema)
WORD FREQ
2 ca 105 ##¿?
3 guanajuato 94
5 vo 86
6 ufb 75 ##¿¿??
9 va 69
10 propuestas 68
11 nivel 64
12 par 58 #Esto podría ser la raíz de "parte", "participacion" o alguna por el estilo
27 ins 42 #Esto podría ser para "instituto", "institucion" o algo parecido
28 n 42 #Una sola letra como término frecuente... ¿?
30 vos 41
33 numero 40
34 vas 40
35 l 39
38 d 37
39 s 37
42 poli 35 #Esta podría ser para "policia", "politica", "politicas"
43 vidad 35 #Esta podría ser para "vida" o"actividad"
44 cas 34
45 r 34 #Un caracter aislado
46 cipacion 33 #Esta podría ser la primera parte de la palabra "participacion"
47 i 33 #Otra letra aislada...
Mi pregunta fundamental es si estoy haciendo algo mal con el pre-procesamiento del texto o si la estructura del archivo pdf en sí misma es la que no me permite hacer un buen trabajo de análisis.
Cualquier comentario y sugerencia la agradezco muchísimo.