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!
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
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
在 2016 年做 PHP 开发是一种什么样的体验?(一)
2019-05-24
PHP获取客户端的IP
2019-05-24
从头开始学习yii2---1.搭建yii2开发环境
2019-05-24
从头开始学习yii2---3.语言包的配置
2019-05-24
yii2-表单验证的一些规则
2019-05-24
索引相关问题
2019-05-24
php面试可能会被问道的技术题汇总
2019-05-24
php面试题1-线程和进程的区别(顺带提下协程)
2019-05-24
php面试题2-用到过的传输协议
2019-05-24
php面试题3-yii2和yii的不一样的地方
2019-05-24
IOS 一些好的框架和 技术大牛的博客
2019-05-24
Java 和 Object-c的区别
2019-05-24
Windows环境下Android NDK环境搭建
2019-05-24
NDK Build 用法(NDK Build)
2019-05-24
Android NDK开发起步Hello Jni
2019-05-24
object c的浅拷贝(地址拷贝)和深拷贝(对象拷贝)
2019-05-24
object c son字符串的解析
2019-05-24
object c 非常强大的类的属性复制kcv键值码赋值
2019-05-24
Java中普通代码块,构造代码块,静态代码块区别及代码示例
2019-05-24