我的pdf显示的都是英文,pdf里的英文怎么翻译
作为只读文档,直接翻译pdf是不现实的。等我们学了Python,这个问题就迎刃而解了。
前期准备工作:
翻译界面:api被称为。
Pdfminer 3k: pdfminer3k是pdf miner的Python 3端口。PDFMiner是一个从PDF文档中提取信息的工具。与其他PDF相关工具不同,它完全专注于获取和分析文本数据。PDFMiner允许您获取文本在页面中的确切位置,以及其他信息,如字体或线条。它包括一个PDF转换器,可以将PDF文件转换为其他文本格式(如HTML)。它有一个可扩展的PDF解析器,可以用于文本分析之外的其他目的。
解析PDF至少需要两个类:PDFParser和PDFDocument, PDF parser从文件中提取数据,PDFDocument保存数据。此外,还需要PDFPageInterpreter来处理页面内容,由PDFDevice转换成我们需要的内容。PDFResourceManager用于保存字体或图片等共享内容。
安装地点:pip install pdfminer3k
前期工作做好之后,就可以开始写代码了。
# -*-编码: u
tf-8 -*-
import sys
import io
"""
Created on Sun Mar 3 12:22:49 2019
@author: Ben
"""
import importlib
importlib.reload(sys)
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
#from PyPDF2.pdf import PdfFileReader, PdfFileWriter, ContentStream
import requests
import string
import time
import hashlib
import json
##初始化
api_url = "http://api.fanyi.baidu.com/api/trans/vip/translate"
api_id = "" ##申请的百度翻译接口的id
cyber = "" ##申请的百度翻译接口的password
pdffile = "multinet.pdf" ##处理的pdf
ENtextfile = "ENmultinet.txt" ##存储提取的txt
CNtextfile = "CNmultinet.txt" ##存储翻译的结果
isTranslate = False ##是否将提取的英文翻译为中文
## 处理PDF
## 读取PDF的内容 filename是待处理的PDF的名字
###使用PDFminer读取
def getDataUsingPyPDF(filename):
parser = PDFParser(open(pdffile,'rb')) #以二进制打开文件 ,并创建一个pdf文档分析器
doc = PDFDocument() ##创建一个pdf文档
#将文档对象和连接分析器连接起来
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize()
#判断该pdf是否支持txt转换
if doc.is_extractable:
#创建一个PDF设备对象
rsrcmgr = PDFResourceManager()
#创建一个pdf设备对象
laparamas = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparamas)
#创建一个PDF解释器对象
interpreter = PDFPageInterpreter(rsrcmgr, device)
contents = "" #保存读取的text
#依次读取每个page的内容
for page in doc.get_pages():
interpreter.process_page(page)
layout = device.get_result() # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性,
#在windows下,新文件的默认编码是gbk编码,所以我们在写入文件的时候需要设置一个编码格式,如下:
for x in layout:
if(isinstance(x,LTTextBoxHorizontal)):
results = x.get_text()
results = results.replace("\n","") #去掉换行符 因为排版问题 有的换行导致句子中断
contents += (results)
##为了看着舒服,每一句为一行
saveText(contents.replace(".",".\n"),ENtextfile)
return contents
## 将读取的content以txt格式存放到本地
def saveText(content,Textfile):
with open(Textfile,"w",encoding='utf-8') as f:
f.write(content)
## 翻译从pdf提取的content
def translate(content):
salt = str(time.time())[:10]
final_sign = str(api_id) + content + salt+ cyber
final_sign = hashlib.md5(final_sign.encode("utf-8")).hexdigest()
# from to 代表翻译的语言
paramas = {
'q':content,
'from':'en',
'to':'zh',
'appid':'%s'%api_id,
'salt':'%s'%salt,
'sign':'%s'%final_sign
}
my_url = api_url+'?appid='+str(api_id)+'&q='+content+'&from='+'zh'+'&to='+'en'+'&salt='+salt+'&sign='+final_sign
response = requests.get(api_url,params = paramas).content
content = str(response,encoding = "utf-8")
json_reads = json.loads(content)
return json_reads['trans_result'][0]['dst']+" "
###
content = getDataUsingPyPDF(pdffile)
print("读取pdf成功,将其保存为txt格式")
if(isTranslate):
clist = content.split(".") #split() 通过指定.将英文分成多个句子
i = 0
chinese = ""
print("一共有"+str(clist.__len__())+"行需要翻译")
print("开始翻译...请耐心等待")
while(i<clist.__len__()):
chinese="" +="(translate(clist[i]).replace("\n","。"))"
#chinese=""
i+="1"
savetext(chinese,cntextfile)=""
print("翻译结束,ok")
学会了的小伙伴可以动手尝试啦。更多Python学习推荐:PyThon学习网教学中心。
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。