翻译pdf中的英文 python_看不懂pdf中的英文?就用Python
pdf作为只读文稿,直接拿来翻译是不现实的。当我们学会Python 后,这个问题就很好解决了。
前期准备工作:
翻译接口: 调用的是api
pdfminer3k:pdfminer3k是pdfminer的Python 3端口。 PDFMiner是一种从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允许获取页面中文本的确切位置,以及字体或线条等其他信息。 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,可用于其他目的而不是文本分析。
要解析PDF至少需要两个类:PDFParser和 PDFDocument,PDFParser 从文件中提取数据,PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容,PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。
安装:pip install pdfminer3k
前期工作准备好后,即可开始代码编写。# -*- 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
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:JQ教程网Python大全。
翻译pdf中的英文 python_看不懂pdf中的英文?就用Python相关推荐
- 英文名看不懂?爬取steam游戏中文优惠信息
需求分析 昨天,我发布了爬取steam游戏优惠信息的程序,可是呢,很快啊,有一个年轻人找到我说,"仙老师,你这个程序我用了,有问题!" 我立刻问到,"发生甚么事了,我说这 ...
- 西门子触摸屏函数翻译_西门子触摸屏的函数全是英文的,看不懂了
该章节包括以下主题的信息: Logoff AdjustContrast ActivateScreen ActivateScreenByNumber ActivateFirstChildScreen A ...
- pdf怎么查看坐标 python_如何从PDF文件中提取文本和文本坐标?
下面是一个复制粘贴就绪的示例,它列出了PDF中每个文本块的左上角,我认为对于任何不包含包含包含文本的"Form XObjects"的PDF,它都应该适用:from pdfminer ...
- trans在c语言的用法,求大神翻译这个东西啊,完全看不懂,新手
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 #include #include #include #include #include #include "desktop.h" # ...
- 西门子smartclient怎么用_西门子触摸屏的函数全是英文的,看不懂了
该章节包括以下主题的信息: Logoff AdjustContrast ActivateScreen ActivateScreenByNumber ActivateFirstChildScreen A ...
- 液晶电视英文linux使用教程,创维电视都是英文怎么看 创维电视机菜单显示英文的怎么调成中文?...
1.菜单设置里面有语言. 2.菜单-language-语言-选择中文即可. 3.电视调中文的方法:1.打开电视机开关,等待启动,启动后,按电视遥控器的"菜单"按钮. 4.进入&qu ...
- 数据库数据规范化看不懂_数据库管理系统中的规范化
数据库数据规范化看不懂 DBMS中的规范化 (Normalization in DBMS) Every table must have a single idea. The method by whi ...
- PADS PCB中的中英文对照 解决英文看不懂的尴尬
PADS PCB: 一 .Setup1.Preference优先设置 ⑴ global ◆ Pick Radius捕捉半径 ◆ Keep Same View on Window Resize设计环境窗 ...
- 看不懂英文文献,怎么写论文?
在开始回答这个问题之前,我觉得我们先要明确英文文献的重要性,这样我觉得大家才有死磕英文文献的动力. 以我为例,我硕士毕业论文的方向是美国政治思想,国内的对于美国政治思想的研究文章实际上是非常多,再加上 ...
- pdf 改变页面大小 python_在Python中使用PDF:阅读和拆分
Python部落(python.freelycode.com)组织翻译,禁止转载,欢迎转发. PDF 文档格式 今天,可移植文档格式(PDF)属于最常用的数据格式. 1990年,Adobe定义了PDF ...
最新文章
- Plotly_绘图画图作图交互
- Docker部署运行微服务
- 本篇文章使用vue结合element-ui开发tab切换vue的不同组件,每一个tab切换的都是一个新的组件。
- Matlab多惯量仿真,两连杆机器鱼的简单建模以及MATLAB仿真
- Linux进阶之VMware Linux虚拟机运行提示“锁定文件失败 虚拟机开启模块snapshot失败”的解决办法...
- 【模板】左偏树(可并堆)
- spring生命周期七个过程_想要学会Spring源码,你必知必会的BeanDefinition原理!
- 【新手教程】从零搭建php动态网站
- linux下nginx和redis安装笔记
- 离心泵水力设计——0设计参数
- qca wlan wifi modules解析三
- Oracle 10.2.0.3使用Logminor工具和把system表空间变成locally
- 【MTK】PMIC实现掉电复位的方法/PMIC如何实现掉电复位
- 随心,随性,随缘。注定让一生改变的,只在百年后,那一朵花开的时间…
- 快速入门MapboxGL
- 中文版SM3255AB/SM3257AA优盘量产工具v11.10.13.01
- LKY-简单手拉手会议扩声方案
- 日积月累Day4《为什么家庭会生病》
- 关于各个进制转换(自己整理)
- 修改CPU的调频策略
热门文章
- 手把手教你调整电脑磁盘的分区大小
- 情人节神奇的传情之物,“懂爱”的你都会爱上它丨情人节系列
- 小米手机扩容教程_手机内存不够怎么办?扩容实记教给你 16G秒变64G
- 【大咖周刊】Linus 在谷歌介绍 Git、IBM340亿收购小红帽、IDE Visual Studio 开始支持 Java 了...
- 竞业限制是什么意思?
- 微软「警告」员工不要在愚人节搞事情,为什么?
- qt 表格中插入一行_Qt在表格中加入控件
- 操作系统 - 王道 - 第五章 I/O
- 区块链入门导航-磨链社区
- 摔了 计算机无法启动,电脑被摔后不能进系统,我说重装系统试试,客户:系统能被摔坏?...