針對(duì)Python 3.5.2 測(cè)試

首先安裝兩個(gè)包：

$ pip install googletrans $ pip install pdfminer3kgoogletrans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。

總結(jié)

以上是生活随笔為你收集整理的python从pdf文件中提取文本，并自动翻译的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。