SergioMadridF/prueba

!pip install PyPDF2

import PyPDF2

archivo_pdf = open('/content/drive/MyDrive/FULL-Seminario/Proyectos/rac_gpt/notebooks/pruebas/https___www.aerocivil.gov.co_normatividad_RAC_RAC 1 - Definiciones.pdf', 'rb')

lector_pdf = PyPDF2.PdfReader(archivo_pdf)

contenido_texto = ""

for pagina in lector_pdf.pages:
contenido_texto += pagina.extract_text()

archivo_pdf.close()

archivo_texto = open('/content/drive/MyDrive/FULL-Seminario/Proyectos/rac_gpt/notebooks/pruebas/https___www.aerocivil.gov.co_normatividad_RAC_RAC 1 - Definiciones.txt', 'w')

archivo_texto.write(contenido_texto)

archivo_texto.close()

### 数据集文本提取脚本
本脚本用于从指定路径的PDF文件中提取全文本并保存为TXT格式文件，具体实现步骤如下：
1. 安装依赖库：执行以下命令安装PyPDF2库
bash
!pip install PyPDF2

2. 导入PyPDF2库：
python
import PyPDF2

3. 以二进制只读模式打开目标PDF文件：
python
pdf_file = open('/content/drive/MyDrive/FULL-Seminario/Proyectos/rac_gpt/notebooks/pruebas/https___www.aerocivil.gov.co_normatividad_RAC_RAC 1 - Definiciones.pdf', 'rb')

4. 初始化PyPDF2的PDF阅读器对象，关联已打开的PDF文件：
python
pdf_reader = PyPDF2.PdfReader(pdf_file)

5. 初始化空字符串变量，用于存储提取的全部文本内容：
python
full_text = ""

6. 遍历PDF文件的所有页面，提取每页文本并追加至存储变量中：
python
for page in pdf_reader.pages:
full_text += page.extract_text()

7. 关闭已打开的PDF文件：
python
pdf_file.close()

8. 以写入模式打开目标TXT文件，用于存储提取的文本：
python
text_file = open('/content/drive/MyDrive/FULL-Seminario/Proyectos/rac_gpt/notebooks/pruebas/https___www.aerocivil.gov.co_normatividad_RAC_RAC 1 - Definiciones.txt', 'w')

9. 将提取的全部文本写入目标TXT文件：
python
text_file.write(full_text)

10. 关闭已打开的TXT文件：
python
text_file.close()

原始信息汇总

数据集概述

数据集来源

• 文件名：RAC 1 - Definiciones.pdf
• 来源链接：[https://www.aerocivil.gov.co/normatividad/RAC/RAC 1 - Definiciones.pdf](https://www.aerocivil.gov.co/normatividad/RAC/RAC 1 - Definiciones.pdf)

数据处理

• 使用PyPDF2库从PDF文件中提取文本内容。
• 提取的文本内容保存为文本文件：RAC 1 - Definiciones.txt

存储位置

• 文本文件存储路径：/content/drive/MyDrive/FULL-Seminario/Proyectos/rac_gpt/notebooks/pruebas/https___www.aerocivil.gov.co_normatividad_RAC_RAC 1 - Definiciones.txt