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")