Extraer texto con PyPDF
PyPDF nos permite extraer texto de archivos PDF, lo que facilita trabajar con documentos de varias páginas, como políticas internas.
En este ejercicio, cargarás US_Employee_Policy.pdf, extraerás su contenido página a página y lo combinarás en una sola cadena, preparando el texto para un pipeline de pregunta-respuesta.
Este ejercicio forma parte del curso
Trabajar con Hugging Face
Instrucciones del ejercicio
- Importa la clase necesaria de
pypdfy úsala para cargar el archivo PDF. - Accede a cada página y extrae su contenido usando el método correcto.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
from pypdf import ____
# Extract text from the PDF
reader = ____("US_Employee_Policy.pdf")
# Extract text from all pages
document_text = ""
for page in reader.____:
document_text += page.____()
print(document_text)