python如何提取英語pdf內(nèi)容并翻譯-創(chuàng)新互聯(lián)

本文實(shí)例為大家分享了python提取英語pdf內(nèi)容并翻譯的具體代碼，供大家參考，具體內(nèi)容如下

我們提供的服務(wù)有：成都網(wǎng)站制作、成都網(wǎng)站建設(shè)、外貿(mào)營銷網(wǎng)站建設(shè)、微信公眾號開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認(rèn)證、丹東ssl等。為上千余家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學(xué)管理、有技術(shù)的丹東網(wǎng)站制作公司

前期準(zhǔn)備工作：

翻譯接口： 調(diào)用的是百度翻譯的api （注冊后，每個月有2百萬的免費(fèi)翻譯字符數(shù)。）

pdfminer3k： pdfminer3k是pdfminer的Python 3端口。 PDFMiner是一種從PDF文檔中提取信息的工具。 與其他PDF相關(guān)工具不同，它完全專注于獲取和分析文本數(shù)據(jù)。 PDFMiner允許獲取頁面中文本的確切位置，以及字體或線條等其他信息。 它包括一個PDF轉(zhuǎn)換器，可以將PDF文件轉(zhuǎn)換為其他文本格式（如HTML）。 它有一個可擴(kuò)展的PDF解析器，可用于其他目的而不是文本分析。

要解析PDF至少需要兩個類：PDFParser 和 PDFDocument，PDFParser 從文件中提取數(shù)據(jù)，PDFDocument保存數(shù)據(jù)。另外還需要PDFPageInterpreter去處理頁面內(nèi)容，PDFDevice將其轉(zhuǎn)換為我們所需要的。PDFResourceManager用于保存共享內(nèi)容例如字體或圖片。

安裝：pip install pdfminer3k

前期工作準(zhǔn)備好后，即可開始代碼編寫。

# -*- 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 = "" ##申請的百度翻譯接口的id
cyber = "" ##申請的百度翻譯接口的password

pdffile = "multinet.pdf" ##處理的pdf
ENtextfile = "ENmultinet.txt" ##存儲提取的txt
CNtextfile = "CNmultinet.txt" ##存儲翻譯的結(jié)果
isTranslate = False ##是否將提取的英文翻譯為中文
## 處理PDF
## 讀取PDF的內(nèi)容 filename是待處理的PDF的名字

###使用PDFminer讀取
def getDataUsingPyPDF(filename):
 parser = PDFParser(open(pdffile,'rb')) #以二進(jìn)制打開文件 ,并創(chuàng)建一個pdf文檔分析器
 doc = PDFDocument() ##創(chuàng)建一個pdf文檔
 #將文檔對象和連接分析器連接起來
 parser.set_document(doc) 
 doc.set_parser(parser)
 doc.initialize()
 
 
 #判斷該pdf是否支持txt轉(zhuǎn)換
 
 if doc.is_extractable:
 #創(chuàng)建一個PDF設(shè)備對象
 rsrcmgr = PDFResourceManager()
 #創(chuàng)建一個pdf設(shè)備對象
 laparamas = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparamas)
 #創(chuàng)建一個PDF解釋器對象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 contents = "" #保存讀取的text
 
 #依次讀取每個page的內(nèi)容
 
 for page in doc.get_pages():
 interpreter.process_page(page)
 layout = device.get_result() # 這里layout是一個LTPage對象 里面存放著 這個page解析出的各種對象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對象的text屬性，
 #在windows下，新文件的默認(rèn)編碼是gbk編碼，所以我們在寫入文件的時候需要設(shè)置一個編碼格式，如下：
 for x in layout:
 if(isinstance(x,LTTextBoxHorizontal)):
  results = x.get_text()
  results = results.replace("\n","") #去掉換行符 因?yàn)榕虐鎲栴} 有的換行導(dǎo)致句子中斷
  contents += (results)
 ##為了看著舒服，每一句為一行
 saveText(contents.replace(".",".\n"),ENtextfile)
 return contents
## 將讀取的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)


## 翻譯從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 代表翻譯的語言 
 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("讀取pdf成功，將其保存為txt格式")

if(isTranslate):
 clist = content.split(".") #split() 通過指定.將英文分成多個句子
 i = 0
 chinese = ""
 print("一共有"+str(clist.__len__())+"行需要翻譯")
 print("開始翻譯...請耐心等待")

 while(i<clist.__len__()):
 chinese += (translate(clist[i]).replace("\n","。"))
 #chinese += '\n'
 i+=1
 saveText(chinese,CNtextfile)
 print("翻譯結(jié)束，ok")

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

本文題目：python如何提取英語pdf內(nèi)容并翻譯-創(chuàng)新互聯(lián)
鏈接地址：http://www.jbt999.com/article44/dieche.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供商城網(wǎng)站、微信公眾號、域名注冊、App開發(fā)、網(wǎng)站收錄、Google

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：[email protected]。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)