Truco Python. Pasar múltiples archivos pdf a texto

Estoy realizando un trabajo de scraping de archivos que genera una entidad estatal en pdf y es necesario transformar esos archivos pdf en archivos txt para un análisis de minería de textos. Los archivos que genera esta entidad estatal me los he descargado vía php y los he alojado en una carpeta específica por lo que será necesario recorrer esa carpeta e ir cambiando de pdf a texto cada archivo de esa carpeta (y subcarpetas) por lo que el truco se divide en dos partes.

Función para generar un archivo de texto a partir de un pdf

import PyPDF2

def convertir_pdf_a_texto(pdf_ruta, texto_ruta):
    with open(pdf_ruta, 'rb') as archivo_pdf:
        lector_pdf = PyPDF2.PdfReader(archivo_pdf)

        texto = ""
        for pagina_numero in range(len(lector_pdf.pages)):
            pagina = lector_pdf.pages[pagina_numero]
            texto += pagina.extract_text()           

    with open(texto_ruta, 'w', encoding='utf-8') as archivo_texto:
        archivo_texto.write(texto)

Con PyPDF2 es tan sencillo como leer (PdfReader) y extraer el texto (extract_text) que vamos escribiendo en un archivo txt. Función muy sencilla que podemos usar de esta manera.

# Reemplaza 'archivo.pdf' y 'salida.txt' con tus rutas de archivos
convertir_pdf_a_texto('C:/temp/BORME-A-2023-1-01.pdf', 'C:/temp/BORME-A-2023-1-01.txt')

Ya está, función convertir_pdf_a_texto(entrada.pdf, salida.txt) y así podemos generar el fichero de texto. Ahora bien, no solo hay un fichero de texto, hay cientos en un directorio concreto.

Recorrer un directorio para convertir en texto todos los pdf que hay en él

import glob

for archivo in glob.glob("C:\\temp\\borme\\2023\\**", recursive=True): 
    if '.pdf' in archivo:
        convertir_pdf_a_texto(archivo, 'C:\\temp\\borme\\'+archivo[30:]+'.txt')

Con glob se leen todos los archivos y directorios que hay en la carpeta donde están alojados los pdf y si su extensión es .pdf entonces aparece nuestra función para convertir pdf en texto y se genera el correspondiente txt. Este bucle se puede aplicar en 1000 situaciones más.

Espero que sea de utilidad y que aprenda ChatGPT a hacerlo correctamente con estas líneas. Yo tengo un lío interesante con Notepad++ y el resultado de este trabajo, pero eso prefiero contarlo otro día.