当前位置: 首页 > 学界要闻 >

python实现从pdf文件中提取文本,并自动翻译的方法

来源:未知 作者:佚名 日期:2019-09-17 浏览:58

pdf整篇自动翻译_整篇英文文献翻译_在线整篇翻译

针对Python 3.5.2 测试

首先安装两个包:

$ pip install googletrans

$ pip install pdfminer3k

整篇英文文献翻译_pdf整篇自动翻译_在线整篇翻译

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:

python pdf文件中提取文本,并自动翻译

python pdf文件中提取文本,并自动翻译

python pdf文件中提取文本,并自动翻译

整篇英文文献翻译_在线整篇翻译_pdf整篇自动翻译

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:

在线整篇翻译_整篇英文文献翻译_pdf整篇自动翻译

$ 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:

python pdf文件中提取文本,并自动翻译

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。

pdf整篇自动翻译_整篇英文文献翻译_在线整篇翻译

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@。

python pdf文件中提取文本,并自动翻译

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pdf整篇自动翻译pdf整篇自动翻译,就可以了。

python pdf文件中提取文本,并自动翻译

以上这篇完美解决gvim的菜单乱码问题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。以上这篇linux crontab 实现每秒执行的实例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。以上这篇c++ 单链表的基本操作(详解)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。



上一篇:中文语音怎么转换成英文文本

下一篇:百度翻译更新,可一键翻译整篇PDF文献!