上次用Python寫好翻譯doc文件小軟體後就展示給寶寶，
我：“寶寶，過來給你個小軟體”
她：“幹什麼用噠？”
我：“給你翻譯Word文件的”
她：“怎麼用啊？”
我：“選擇一個docx文件，再按翻譯按鈕就好了”
她：“哇，這麼厲害！”
。。。。。。
她：“可以翻譯PDF嗎？好多文件都是PDF的哦”
我：“這個。。。可以有”
她：“好棒啊！”
然後，又一陣。。。。。。
“自己吹下的牛皮，含淚也要實現。” 不過，這可不是吹牛皮。之前接觸過提取PDF內容的事情，所以還是有把握的。
從PDF裡面提取文字內容有很多種方法，但是真正適合的還是要研究一番才能做出正確的選擇。選擇的標準就是：適合Windows，速度要快。
一、對比選取Python抽取pdf文件庫
pdfminer是純Python實現的PDF內容提取的庫，很適合Python開發，Linux和Windows上使用都很方便。
去github搜尋“pdfminer”，排在第一的是老的版本，只支援Python 2。支援Python 3的版本叫做： pdfminer.six，也支援Python2，它的地址是：
https://github.com/pdfminer/pdfminer.six
然而，它的速度很慢，因為是純Python寫的。有多慢呢？看看下面它與pdftotext的對比測試吧：
測試檔案大小： 2.1MB
（1）pdftotext 用時： 1.031s
time ./bin/pdftotext -enc UTF-8 z.pdf z.txt
real 0m1.031s
user 0m1.004s
sys 0m0.008s
（2）pdfminer 用時： 2m29.226s == 149.226s
time pdf2txt.py z.pdf
real 2m29.226s
user 2m29.016s
sys 0m0.064s
兩者相差149倍！！我家寶寶是個急脾氣，讓她等那麼長時間，我還能好過嗎？果斷捨棄pdfminer，選擇pdftotext。
二、使用pdftotext來抽取PDF文件
這是一個基於xpdf用C++寫的命令列工具，速度槓槓的（見上面的對比）。有人也把它封裝成了Python庫——pdftotext，但是要編譯成動態庫才能被Python所用。這個封裝基於poppler庫（基於xpdf）。
然而，要在Windows上編譯這個Python庫太不容易了。基本的編譯環境有VC和minGW，具體見：
https://wiki.python.org/moin/WindowsCompilers
我選擇minGW編譯環境，編譯Python庫時各種依賴太複雜。斷斷續續整了幾天未果，只好放棄使用這個Python封裝庫。
三、subprocess呼叫pdftotext.exe
pdftotext命令列工具有Windows版本的可執行檔案下載：
https://www.xpdfreader.com/download.html
那我就用subprocess呼叫即可。這樣我開發省事兒，寶寶用著速度也夠快，一舉兩得。
路線定好後，程式寫起來就很快了。時間多花在路線定製上，好的路線值得花費時間去制定，往往能得到事半功倍的效果。
四、用pyinstaller釋出翻譯PDF文件程式
上一個版本用pyinstaller打包程式很容易，因為除了程式檔案沒有其它附加檔案，而這次程式包含了pdftotext.exe等檔案，導致打包不是那麼順利。這其中的經驗，我將總結為一篇專門講解pyinstaller的文章，敬請期待。
五、翻譯軟體：transdocx的執行
（1）從原始碼執行：
直接執行transdocx.py即可。當然，相應的Python庫要先安裝好。
另外，原始碼資料夾 bin/ 下面的pdftotext.exe不是翻譯軟體，而是被翻譯軟體用來從PDF中提取文字的程式，不要直接執行它。
（2）下載打包好的翻譯軟體
下載transdocx-*.exe後，直接雙擊即可執行。
最後，跟上次一樣，關注猿人學Python公眾號發訊息“翻譯”獲得軟體下載地址，傳送“翻譯原始碼”獲得本軟體的原始碼。
pyinstaller擴充閱讀:
用Python給我家寶寶寫個翻譯軟體
用pyinstaller打包你的Python程式並繫結CPU
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***