无胆匪类,韩耀玉,达万高速
针对python 3.5.2 测试
首先安装两个包：
$ pip install googletrans
$ pip install pdfminer3k
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：
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：
$ 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：
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。
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@。
执行如下命令：
我要评论
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，就可以了。
以上这篇python实现从pdf文件中提取文本,并自动翻译的方法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移动技术网。
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
新手学习Python2和Python3中print不同的用法
Python基于os.environ从windows获取环境变量
网友评论