File size: 1,262 Bytes
0b25a5b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 | import os
import json
from pathlib import Path
from pypdf import PdfReader
def extract_text_from_pdf(pdf_path):
"""Extrae el texto de un PDF usando pypdf."""
reader = PdfReader(pdf_path)
text = ""
for page in reader.pages:
page_text = page.extract_text()
if page_text:
text += page_text + "\n"
return text
def create_dataset_from_pdfs(pdf_dir, output_json="mis_pdfs.json"):
"""
Recorre la carpeta pdf_dir, extrae el texto de cada PDF y lo guarda en un archivo JSON.
Cada documento se guarda como un diccionario con 'filename' y 'text'.
"""
documentos = []
for archivo in os.listdir(pdf_dir):
if archivo.lower().endswith(".pdf"):
ruta_pdf = Path(pdf_dir) / archivo
texto = extract_text_from_pdf(ruta_pdf)
documentos.append({"filename": archivo, "text": texto})
with open(output_json, "w", encoding="utf-8") as f:
json.dump(documentos, f, ensure_ascii=False, indent=2)
print(f"Se ha creado el archivo {output_json} con {len(documentos)} documentos.")
if __name__ == "__main__":
pdf_directory = "ruta_a_tus_pdfs" # <-- Ajusta esta ruta con tu carpeta de PDFs
create_dataset_from_pdfs(pdf_directory, "mis_pdfs.json")
|