SergioMadridF/prueba
收藏资源简介：
!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()
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
