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")