Python读取PDF文档并翻译
发布日期:2021-05-10 04:40:15 浏览次数:26 分类:技术文章

本文共 5007 字,大约阅读时间需要 16 分钟。

翻译服务选择免费的百度翻译api

标准版服务完全免费,不限使用字符量

完成身份认证,还可免费升级至高级版、尊享版,每月享受200万免费字符量及增值服务

 

# -*- coding: utf-8 -*-import randomimport hashlibimport sysimport importlibimportlib.reload(sys)import timefrom pdfminer.pdfparser import PDFParser,PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import *from pdfminer.pdfinterp import PDFTextExtractionNotAllowed#**********翻译部分********************def fanyi(query):    import http.client    import hashlib    import urllib    import random    import json    appid = ''  # !!!!补充    secretKey = ''  # !!!!补充    httpClient = None    myurl = '/api/trans/vip/translate'    q = query    fromLang = 'auto'    toLang = 'zh'    salt = random.randint(32768, 65536)    sign = appid + q + str(salt) + secretKey    m1 = hashlib.md5()    m1.update(sign.encode())    sign = m1.hexdigest()    myurl = myurl + '?appid=' + appid + '&q=' + urllib.parse.quote(        q) + '&from=' + fromLang + '&to=' + toLang + '&salt=' + str(salt) + '&sign=' + sign    # print(urllib.parse.quote(q))    try:        httpClient = http.client.HTTPConnection('api.fanyi.baidu.com')        httpClient.request('GET', myurl)        # response是HTTPResponse对象        response = httpClient.getresponse()        html = response.read()  # bytes        # print("html:  ",type(html),html)        html_str = html.decode()  # bytes to str        # print("html_str:  ",type(html_str),html_str)        html_dict = json.loads(html_str)  # str to dict        # print("html_dist:  ",type(html_dict),html_str)        # result_ori = html_dict["trans_result"][0]["src"]        # result_tar = html_dict["trans_result"][0]["dst"]        # print(html_dict["trans_result"])        result_tar = ''        for i in html_dict["trans_result"]:            result_tar += i["dst"]        # print(result_ori, " --> ", result_tar)        print("翻译文本: " + result_tar)        print("*" * 100)        return result_tar    except Exception as e:        print(e)        return ''    finally:        if httpClient:            httpClient.close()'''解析pdf文件,获取文件中包含的各种对象'''# 解析pdf文件函数def parse(pdf_path):    textName = pdf_path.split('\\')[-1].split('.')[0] + '.txt'    fp = open(pdf_path, 'rb')  # 以二进制读模式打开    # 用文件对象来创建一个pdf文档分析器    parser = PDFParser(fp)    # 创建一个PDF文档    doc = PDFDocument()    # 连接分析器 与文档对象    parser.set_document(doc)    doc.set_parser(parser)    # 提供初始化密码    # 如果没有密码 就创建一个空的字符串    doc.initialize()    # 检测文档是否提供txt转换,不提供就忽略    if not doc.is_extractable:        raise PDFTextExtractionNotAllowed    else:        # 创建PDf 资源管理器 来管理共享资源        rsrcmgr = PDFResourceManager()        # 创建一个PDF设备对象        laparams = LAParams()        device = PDFPageAggregator(rsrcmgr, laparams=laparams)        # 创建一个PDF解释器对象        interpreter = PDFPageInterpreter(rsrcmgr, device)        # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0        # 循环遍历列表,每次处理一个page的内容        for page in doc.get_pages(): # doc.get_pages() 获取page列表            num_page += 1  # 页面增一            print("\r\n>> 当前页:", num_page)            interpreter.process_page(page)            # 接受该页面的LTPage对象            layout = device.get_result()            for x in layout:                if isinstance(x,LTImage):  # 图片对象                    num_image += 1                if isinstance(x,LTCurve):  # 曲线对象                    num_curve += 1                if isinstance(x,LTFigure):  # figure对象                    num_figure += 1                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容                    num_TextBoxHorizontal += 1  # 水平文本框对象增一                    results = x.get_text()                    print(results.replace('\n', ''))                    # 保存文本内容                    with open(textName, 'a+', encoding='utf8') as f:                        results = x.get_text()                        f.write(results.replace('\n', '') + '\n')        print('对象数量:\n','页面数:%s\n'%num_page,'图片数:%s\n'%num_image,'曲线数:%s\n'%num_curve,'水平文本框:%s\n'              %num_TextBoxHorizontal)import osif __name__ == '__main__':    pdf_path = r'A Survey on Network Methodologies for.pdf'    rootPath = '\\'.join(pdf_path.split('\\')[:-1]) if "\\" in pdf_path else ''    textName = pdf_path.split('\\')[-1].split('.')[0] + '.txt'    print(">> 当前文件:", os.path.join(rootPath, textName))    if os.path.exists(os.path.join(rootPath, textName)):        print(">> 删除:", textName)        os.remove(os.path.join(rootPath, textName))    if os.path.exists(os.path.join(rootPath, "translate.txt")):        print(">> 删除:", "translate.txt")        os.remove(os.path.join(rootPath, "translate.txt"))    parse(pdf_path)    with open(textName, 'r', encoding='utf8') as f:        content = f.read()        results = content.split('.')        for i in results:            res = fanyi(i)            with open("translate.txt", 'a+', encoding='utf8') as fp:                fp.write(res + '\n')            time.sleep(1)

运行中:

pdf转txt:

翻译:

 

 

转载地址:https://blog.csdn.net/sxf1061700625/article/details/106402101 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!

上一篇:爬虫大数据软件开发中程序员的伦理问题
下一篇:MySQL数据库与JDBC编程

发表评论

最新留言

哈哈,博客排版真的漂亮呢~
[***.90.31.176]2024年08月28日 16时00分53秒