python實現(xiàn)從pdf文件中提取文本,并自動翻譯的方法
更新時間：2018年11月28日 09:09:37 作者：PlPyRbC
今天小編就為大家分享一篇python實現(xiàn)從pdf文件中提取文本,并自動翻譯的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
針對Python 3.5.2 測試
首先安裝兩個包：
$ pip install googletrans
$ pip install pdfminer3k
googletrans會提供一個命令translate，這個命令會調用google translate api執(zhí)行自動翻譯：
pdfminer3k會提供一個工具腳本pdf2txt.py：
$ pdf2txt.py xxx.pdf
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
谷歌翻譯并不能識別段落或者整句，如果一個整句中出現(xiàn)換行符，會發(fā)現(xiàn)翻譯就不完整了，以網(wǎng)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(xiàn)此功能，將整個文件的換行符全部去掉。
但是問題又出現(xiàn)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(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(xiàn)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腳本之家。
相關文章
這篇文章主要為大家詳細介紹了python實現(xiàn)猜數(shù)字游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-10-10
這篇文章主要介紹了淺析PyTorch中nn.Linear的使用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-08-08
Python獲取基金網(wǎng)站網(wǎng)頁內容、使用BeautifulSoup庫分析html操作示例
這篇文章主要介紹了Python獲取基金網(wǎng)站網(wǎng)頁內容、使用BeautifulSoup庫分析html操作,結合實例形式分析了Python基于urllib包的網(wǎng)頁內容獲取,以及使用BeautifulSoup分析html相關操作技巧,需要的朋友可以參考下2019-06-06
Python PyQt5干貨滿滿小項目輕松實現(xiàn)高效摳圖去背景
PyQt5以一套Python模塊的形式來實現(xiàn)功能。它包含了超過620個類，600個方法和函數(shù)。本篇文章手把手帶你用PyQt5輕松實現(xiàn)圖片扣除背景,大家可以在過程中查缺補漏，提升水平2021-11-11
這篇文章主要介紹了python實現(xiàn)微信自動回復及python 批量生成微信添加好友截圖功能的實例代碼，代碼簡單易懂，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下2019-07-07
這篇文章主要介紹了flask 實現(xiàn)token機制的示例代碼，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-11-11
這篇文章主要為大家詳細介紹了Python OpenCV實現(xiàn)圖片上輸出中文，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-01-01
Python使用opencv是因為覺得它足夠強大,很多圖像處理這塊都是用的它,最近就用opencv添加個水印,這篇文章主要給大家介紹了關于如何利用Python和OpenCV對圖像進行加水印的相關資料,需要的朋友可以參考下2021-10-10
queue是python的標準庫，俗稱隊列.可以直接import引用,在python2.x中,模塊名為Queue。這篇文章主要介紹了python爬蟲中多線程的使用,需要的朋友可以參考下2019-09-09
這篇文章主要介紹了Python判斷三段線能否構成三角形的代碼，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04