python如何提取英语pdf内容并翻译
本文实例为大家分享了python提取英语pdf内容并翻译的具体代码，供大家参考，具体内容如下
前期准备工作：
翻译接口：调用的是百度翻译的api（注册后，每个月有2百万的免费翻译字符数。）
pdfminer3k：pdfminer3k是pdfminer的Python3端口。PDFMiner是一种从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。PDFMiner允许获取页面中文本的确切位置，以及字体或线条等其他信息。它包括一个PDF转换器，可以将PDF文件转换为其他文本格式（如HTML）。它有一个可扩展的PDF解析器，可用于其他目的而不是文本分析。
要解析PDF至少需要两个类：PDFParser和PDFDocument，PDFParser从文件中提取数据，PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容，PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。
安装：pipinstallpdfminer3k
前期工作准备好后，即可开始代码编写。
#-*-coding:utf-8-*-
importsys
importio
"""
CreatedonSunMar312:22:492019
@author:Ben
"""
importimportlib
importlib.reload(sys)
frompdfminer.pdfparserimportPDFParser,PDFDocument
frompdfminer.pdfinterpimportPDFResourceManager,PDFPageInterpreter
frompdfminer.converterimportPDFPageAggregator
frompdfminer.layoutimportLTTextBoxHorizontal,LAParams
frompdfminer.pdfinterpimportPDFTextExtractionNotAllowed
#fromPyPDF2.pdfimportPdfFileReader,PdfFileWriter,ContentStream
importrequests
importstring
importtime
importhashlib
importjson
##初始化
api_url="http://api.fanyi.baidu.com/api/trans/vip/translate"
api_id=""##申请的百度翻译接口的id
cyber=""##申请的百度翻译接口的password
pdffile="multinet.pdf"##处理的pdf
ENtextfile="ENmultinet.txt"##存储提取的txt
CNtextfile="CNmultinet.txt"##存储翻译的结果
isTranslate=False##是否将提取的英文翻译为中文
##处理PDF
##读取PDF的内容filename是待处理的PDF的名字
###使用PDFminer读取
defgetDataUsingPyPDF(filename):
parser=PDFParser(open(pdffile,'rb'))#以二进制打开文件,并创建一个pdf文档分析器
doc=PDFDocument()##创建一个pdf文档
#将文档对象和连接分析器连接起来
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize()
#判断该pdf是否支持txt转换
ifdoc.is_extractable:
#创建一个PDF设备对象
rsrcmgr=PDFResourceManager()
#创建一个pdf设备对象
laparamas=LAParams()
device=PDFPageAggregator(rsrcmgr,laparams=laparamas)
#创建一个PDF解释器对象
interpreter=PDFPageInterpreter(rsrcmgr,device)
contents=""#保存读取的text
#依次读取每个page的内容
forpageindoc.get_pages():
interpreter.process_page(page)
layout=device.get_result()#这里layout是一个LTPage对象里面存放着这个page解析出的各种对象一般包括LTTextBox,LTFigure,LTImage,LTTextBoxHorizontal等等想要获取文本就获得对象的text属性，
#在windows下，新文件的默认编码是gbk编码，所以我们在写入文件的时候需要设置一个编码格式，如下：
forxinlayout:
if(isinstance(x,LTTextBoxHorizontal)):
results=x.get_text()
results=results.replace("\n","")#去掉换行符因为排版问题有的换行导致句子中断
contents+=(results)
##为了看着舒服，每一句为一行
saveText(contents.replace(".",".\n"),ENtextfile)
returncontents
##将读取的content以txt格式存放到本地
defsaveText(content,Textfile):
withopen(Textfile,"w",encoding='utf-8')asf:
f.write(content)
##翻译从pdf提取的content
deftranslate(content):
salt=str(time.time())[:10]
final_sign=str(api_id)+content+salt+cyber
final_sign=hashlib.md5(final_sign.encode("utf-8")).hexdigest()
#fromto代表翻译的语言
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)
returnjson_reads['trans_result'][0]['dst']+""
###
content=getDataUsingPyPDF(pdffile)
print("读取pdf成功，将其保存为txt格式")
if(isTranslate):
clist=content.split(".")#split()通过指定.将英文分成多个句子
i=0
chinese=""
print("一共有"+str(clist.__len__())+"行需要翻译")
print("开始翻译...请耐心等待")
while(i
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。