python實(shí)現(xiàn)從pdf文件中提取文本,并自動(dòng)翻譯的方法
針對(duì)Python 3.5.2 測(cè)試
首先安裝兩個(gè)包：
$ pip install googletrans
$ pip install pdfminer3k
googletrans會(huì)提供一個(gè)命令translate，這個(gè)命令會(huì)調(diào)用google translate api執(zhí)行自動(dòng)翻譯：
pdfminer3k會(huì)提供一個(gè)工具腳本pdf2txt.py：
$ pdf2txt.py xxx.pdf
從stackoverflow搜索到可以去除頁(yè)眉和頁(yè)腳的命令(強(qiáng)烈推薦)：
使用Ubuntu提供的pdftotext工具：
$ pdftotext -y 50 -H 650 -W 1000 -nopgbrk sva.pdf $ pdftotext -f 147 -l 166 -y 50 -H 650 -W 1000 -nopgbrk sva.pdf
谷歌翻譯并不能識(shí)別段落或者整句，如果一個(gè)整句中出現(xiàn)換行符，會(huì)發(fā)現(xiàn)翻譯就不完整了，以網(wǎng)頁(yè)版谷歌翻譯測(cè)試：
因此需要將pdf轉(zhuǎn)換好的文本文件進(jìn)行拼接，借用linux args 命令，實(shí)現(xiàn)此功能，將整個(gè)文件的換行符全部去掉。
但是問(wèn)題又出現(xiàn)了，整個(gè)文件變成一行，我們的段落結(jié)構(gòu)都消失了，那么我們需要手動(dòng)添加delimiter，設(shè)置為一個(gè)特殊字符@。
執(zhí)行如下命令：
cat trans_src.txt |xargs |xargs -0 -d '@' -i{} translate -d zh-cn {} |tee trans_dst.txt
cat sva_src_1to2.txt |xargs |xargs -0 -d '&' -i{} translate -d zh-cn {} |xargs -d'\n' -n4 | awk -F'zh-cn' '{print $2}' | awk -F'[][]' '{print $2}' | tee sva_dst_1to2.txt
將翻譯后的文本重定向到一個(gè)文件，然后對(duì)文件進(jìn)行簡(jiǎn)單的后處理，就可以了。
以上這篇python實(shí)現(xiàn)從pdf文件中提取文本,并自動(dòng)翻譯的方法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
python框架Django實(shí)戰(zhàn)商城項(xiàng)目之工程搭建過(guò)程圖文詳解
這篇文章主要介紹了python框架Django實(shí)戰(zhàn)商城項(xiàng)目之工程搭建過(guò)程,這個(gè)項(xiàng)目很像京東商城，項(xiàng)目開(kāi)發(fā)采用前后端不分離的模式，本文通過(guò)圖文并茂的形式給大家介紹的非常詳細(xì)，需要的朋友可以參考下2020-03-03
Git是一個(gè)分布式的版本控制系統(tǒng)，最初由Linus Torvalds編寫(xiě)，用作Linux內(nèi)核代碼的管理。在推出后，Git在其它項(xiàng)目中也取得了很大成功，尤其是在Ruby社區(qū)中。目前，包括Rubinius、Merb和Bitcoin在內(nèi)的很多知名項(xiàng)目都使用了Git，作為一個(gè)程序猿，不會(huì)github那確實(shí)有點(diǎn)坑了2014-11-11
python爬取網(wǎng)站數(shù)據(jù)保存使用的方法
這篇文章主要介紹了使用Python從網(wǎng)上爬取特定屬性數(shù)據(jù)保存的方法，其中解決了編碼問(wèn)題和如何使用正則匹配數(shù)據(jù)的方法，詳情看下文2013-11-11
在Django的模型和公用函數(shù)中使用惰性翻譯對(duì)象
這篇文章主要介紹了在Django的模型和公用函數(shù)中使用惰性翻譯對(duì)象,Django是豐富多彩的Python框架中人氣最高的一個(gè),需要的朋友可以參考下2015-07-07
這篇文章主要介紹了python如何實(shí)現(xiàn)向上取整問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-01-01
這篇文章主要介紹了vscode+PyQt5安裝詳解步驟,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08
chatGPT已經(jīng)爆火一段時(shí)間了，我想大多數(shù)的開(kāi)發(fā)者都在默默的在開(kāi)發(fā)和測(cè)試當(dāng)中，可能也是因?yàn)檫@個(gè)原因所以現(xiàn)在很難找到關(guān)于開(kāi)發(fā)中遇到的一些坑或者方法和技巧，這篇文章主要介紹了chatGPT之Python?API啟用上下文管理,需要的朋友可以參考下2023-03-03
Python實(shí)現(xiàn)制度轉(zhuǎn)換（貨幣，溫度，長(zhǎng)度）
這篇文章主要介紹了Python實(shí)現(xiàn)制度轉(zhuǎn)換（貨幣，溫度，長(zhǎng)度），文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
Python使用pyinstaller實(shí)現(xiàn)學(xué)生管理系統(tǒng)流程
pyinstaller是一個(gè)非常簡(jiǎn)單的打包python的py文件的庫(kù),下面這篇文章主要給大家介紹了關(guān)于Python?Pyinstaller庫(kù)安裝步驟以及使用方法的相關(guān)資料,文中通過(guò)圖文介紹的非常詳細(xì),需要的朋友可以參考下2023-02-02
Python 內(nèi)置函數(shù)memoryview(obj)的具體用法
本篇文章主要介紹了Python 內(nèi)置函數(shù)memoryview(obj)的具體用法，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-11-11