python離線翻譯庫，python自動翻譯pdf_python實現從pdf文件中提取文本,并自動翻譯的方法

針對Python 3.5.2 測試

首先安裝兩個包：

$ pip install googletrans

python離線翻譯庫、$ pip install pdfminer3k

googletrans會提供一個命令translate，這個命令會調用google translate api執行自動翻譯：

pdfminer3k會提供一個工具腳本pdf2txt.py：

$ pdf2txt.py xxx.pdf

零基礎學python爬蟲、從stackoverflow搜索到可以去除頁眉和頁腳的命令(強烈推薦)：

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

為什么不建議學python。谷歌翻譯并不能識別段落或者整句，如果一個整句中出現換行符，會發現翻譯就不完整了，以網頁版谷歌翻譯測試：

因此需要將pdf轉換好的文本文件進行拼接，借用linux args 命令，實現此功能，將整個文件的換行符全部去掉。

但是問題又出現了，整個文件變成一行，我們的段落結構都消失了，那么我們需要手動添加delimiter，設置為一個特殊字符@。

執行如下命令：

python讀取pdf內容。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文件，然后對文件進行簡單的后處理，就可以了。

以上這篇python實現從pdf文件中提取文本,并自動翻譯的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持。