如何用Python翻譯pdf中的英文

這篇文章主要介紹了如何用Python翻譯pdf中的英文，具有一定借鑒價值，需要的朋友可以參考下。希望大家閱讀完這篇文章后大有收獲。下面讓小編帶著大家一起了解一下。

前期準備工作：

翻譯接口： 調用的是api

pdfminer3k： pdfminer3k是pdfminer的Python 3端口。 PDFMiner是一種從PDF文檔中提取信息的工具。 與其他PDF相關工具不同，它完全專注于獲取和分析文本數據。 PDFMiner允許獲取頁面中文本的確切位置，以及字體或線條等其他信息。 它包括一個PDF轉換器，可以將PDF文件轉換為其他文本格式（如HTML）。 它有一個可擴展的PDF解析器，可用于其他目的而不是文本分析。

要解析PDF至少需要兩個類：PDFParser 和 PDFDocument，PDFParser 從文件中提取數據，PDFDocument保存數據。另外還需要PDFPageInterpreter去處理頁面內容，PDFDevice將其轉換為我們所需要的。PDFResourceManager用于保存共享內容例如字體或圖片。

安裝：pip install pdfminer3k

前期工作準備好后，即可開始代碼編寫。

# -*- coding: utf-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 = "" ##申請的百度翻譯接口的id
cyber = "" ##申請的百度翻譯接口的password

pdffile = "multinet.pdf" ##處理的pdf
ENtextfile = "ENmultinet.txt" ##存儲提取的txt
CNtextfile = "CNmultinet.txt" ##存儲翻譯的結果
isTranslate = False ##是否將提取的英文翻譯為中文
## 處理PDF
## 讀取PDF的內容 filename是待處理的PDF的名字

###使用PDFminer讀取
def getDataUsingPyPDF(filename):
 parser = PDFParser(open(pdffile,'rb')) #以二進制打開文件 ,并創建一個pdf文檔分析器
 doc = PDFDocument() ##創建一個pdf文檔
 #將文檔對象和連接分析器連接起來
 parser.set_document(doc) 
 doc.set_parser(parser)
 doc.initialize()
 
 
 #判斷該pdf是否支持txt轉換
 
 if doc.is_extractable:
 #創建一個PDF設備對象
 rsrcmgr = PDFResourceManager()
 #創建一個pdf設備對象
 laparamas = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparamas)
 #創建一個PDF解釋器對象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 contents = "" #保存讀取的text
 
 #依次讀取每個page的內容
 
 for page in doc.get_pages():
 interpreter.process_page(page)
 layout = device.get_result() # 這里layout是一個LTPage對象 里面存放著 這個page解析出的各種對象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對象的text屬性，
 #在windows下，新文件的默認編碼是gbk編碼，所以我們在寫入文件的時候需要設置一個編碼格式，如下：
 for x in layout:
 if(isinstance(x,LTTextBoxHorizontal)):
  results = x.get_text()
  results = results.replace("\n","") #去掉換行符 因為排版問題 有的換行導致句子中斷
  contents += (results)
 ##為了看著舒服，每一句為一行
 saveText(contents.replace(".",".\n"),ENtextfile)
 return contents
## 將讀取的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)


## 翻譯從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 代表翻譯的語言 
 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("讀取pdf成功，將其保存為txt格式")

if(isTranslate):
 clist = content.split(".") #split() 通過指定.將英文分成多個句子
 i = 0
 chinese = ""
 print("一共有"+str(clist.__len__())+"行需要翻譯")
 print("開始翻譯...請耐心等待")

  while(i<clist.__len__()): 
 chinese="" +="(translate(clist[i]).replace("\n","。"))" 
 #chinese=""
 i+="1"
 savetext(chinese,cntextfile)=""
 print("翻譯結束，ok")

感謝你能夠認真閱讀完這篇文章，希望小編分享如何用Python翻譯pdf中的英文內容對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，遇到問題就找億速云，詳細的解決方法等著你來學習!