python实现从pdf文件中提取文本,并自动翻译的方法
更新时间：2018年11月28日 09:09:37 作者：PlPyRbC
今天小编就为大家分享一篇python实现从pdf文件中提取文本,并自动翻译的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
针对Python 3.5.2 测试
首先安装两个包：
$ pip install googletrans
$ pip install pdfminer3k
googletrans会提供一个命令translate，这个命令会调用google translate api执行自动翻译：
pdfminer3k会提供一个工具脚本pdf2txt.py：
$ pdf2txt.py xxx.pdf
从stackoverflow搜索到可以去除页眉和页脚的命令(强烈推荐)：
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
谷歌翻译并不能识别段落或者整句，如果一个整句中出现换行符，会发现翻译就不完整了，以网页版谷歌翻译测试：
因此需要将pdf转换好的文本文件进行拼接，借用linux args 命令，实现此功能，将整个文件的换行符全部去掉。
但是问题又出现了，整个文件变成一行，我们的段落结构都消失了，那么我们需要手动添加delimiter，设置为一个特殊字符@。
执行如下命令：
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
将翻译后的文本重定向到一个文件，然后对文件进行简单的后处理，就可以了。
以上这篇python实现从pdf文件中提取文本,并自动翻译的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
这篇文章主要介绍了Django之创建引擎索引报错及解决详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
这篇文章主要介绍了Python通过类的组合模拟街道红绿灯,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-09-09
这篇文章主要介绍了Python range与enumerate函数区别解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-02-02
这篇文章主要为大家详细介绍了Python Opencv任意形状目标检测，并绘制框图，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-07-07
这篇文章主要介绍了Python记录详细调用堆栈日志的方法,涉及Python调用堆栈日志的相关技巧,具有一定参考借鉴价值,需要的朋友可以参考下2015-05-05
webbrowser模块是Python自带的标准库,无需安装,可以直接在Python中使用该模块来打开网页、PDF文件等,本文给大家详细介绍了Python webbrowser模块用法,需要的朋友可以参考下2023-08-08
translator实例应用代码2008-09-09
这篇文章主要介绍了Python切片列表字符串如何实现切换,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-08-08
这篇文章主要给学习Python的新手们分享了几道简单练习题，文中给出了详细的示例代码供大家学习参考，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧。2017-09-09
Python读取配置文件(config.ini)以及写入配置文件
这篇文章主要介绍了Python读取配置文件(config.ini)以及写入配置文件，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-04-04
最新评论