python如何读英语_python如何提取英语pdf内容并翻译

本文实例为大家分享了python提取英语pdf内容并翻译的具体代码，供大家参考，具体内容如下8Rp免费资源网

前期准备工作：8Rp免费资源网

翻译接口： 调用的是百度翻译的api(注册后，每个月有2百万的免费翻译字符数。)8Rp免费资源网

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。8Rp免费资源网

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。8Rp免费资源网

安装：pip install pdfminer3k8Rp免费资源网

前期工作准备好后，即可开始代码编写。8Rp免费资源网

# -*- 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 += '\n'

i+=1

saveText(chinese,CNtextfile)

print("翻译结束，ok")

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。8Rp免费资源网