看不懂pdf中的英文？就用Python

pdf作為只讀文稿，直接拿來翻譯是不現實的。當我們學會Python 後，這個問題就很好解決了。

前期準備工作：

翻譯介面： 呼叫的是api

pdfminer3k： pdfminer3k是pdfminer的Python 3埠。 PDFMiner是一種從PDF文件中提取資訊的工具。 與其他PDF相關工具不同，它完全專注於獲取和分析文字資料。 PDFMiner允許獲取頁面中文字的確切位置，以及字型或線條等其他資訊。 它包括一個PDF轉換器，可以將PDF檔案轉換為其他文字格式（如HTML）。 它有一個可擴充套件的PDF解析器，可用於其他目的而不是文字分析。

要解析PDF至少需要兩個類：PDFParser 和 PDFDocument，PDFParser 從檔案中提取資料，PDFDocument儲存資料。另外還需要PDFPageInterpreter去處理頁面內容，PDFDevice將其轉換為我們所需要的。PDFResourceManager用於儲存共享內容例如字型或圖片。

安裝：pip install pdfminer3k

前期工作準備好後，即可開始程式碼編寫。

# -*- coding: utf-8 -*-
import sys
import io

"""
Created on Sun Mar 3 12:22:49 2019

@author: Ben
"""

import importlib
importlib.reload(sys)

from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

#from PyPDF2.pdf import PdfFileReader, PdfFileWriter, ContentStream


import requests
import string
import time
import hashlib
import json


##初始化

api_url = ""
api_id = "" ##申請的百度翻譯介面的id
cyber = "" ##申請的百度翻譯介面的password

pdffile = "multinet.pdf" ##處理的pdf
ENtextfile = "ENmultinet.txt" ##儲存提取的txt
CNtextfile = "CNmultinet.txt" ##儲存翻譯的結果
isTranslate = False ##是否將提取的英文翻譯為中文
## 處理PDF
## 讀取PDF的內容 filename是待處理的PDF的名字

###使用PDFminer讀取
def getDataUsingPyPDF(filename):
 parser = PDFParser(open(pdffile,'rb')) #以二進位制開啟檔案 ,並建立一個pdf文件分析器
 doc = PDFDocument() ##建立一個pdf文件
 #將文件物件和連線分析器連線起來
 parser.set_document(doc) 
 doc.set_parser(parser)
 doc.initialize()
 
 
 #判斷該pdf是否支援txt轉換
 
 if doc.is_extractable:
 #建立一個PDF裝置物件
 rsrcmgr = PDFResourceManager()
 #建立一個pdf裝置物件
 laparamas = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparamas)
 #建立一個PDF直譯器物件
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 contents = "" #儲存讀取的text
 
 #依次讀取每個page的內容
 
 for page in doc.get_pages():
 interpreter.process_page(page)
 layout = device.get_result() # 這裡layout是一個LTPage物件 裡面存放著 這個page解析出的各種物件 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文字就獲得物件的text屬性，
 #在windows下，新檔案的預設編碼是gbk編碼，所以我們在寫入檔案的時候需要設定一個編碼格式，如下：
 for x in layout:
 if(isinstance(x,LTTextBoxHorizontal)):
  results = x.get_text()
  results = results.replace("n","") #去掉換行符 因為排版問題 有的換行導致句子中斷
  contents += (results)
 ##為了看著舒服，每一句為一行
 saveText(contents.replace(".",".n"),ENtextfile)
 return contents
## 將讀取的content以txt格式存放到本地
def saveText(content,Textfile):
 with open(Textfile,"w",encoding='utf-8') as f:
 f.write(content)


## 翻譯從pdf提取的content
def translate(content):
 salt = str(time.time())[:10]
 final_sign = str(api_id) + content + salt+ cyber
 final_sign = hashlib.md5(final_sign.encode("utf-8")).hexdigest()
 # from to 代表翻譯的語言 
 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)
 return json_reads['trans_result'][0]['dst']+" " 
###

content = getDataUsingPyPDF(pdffile)
print("讀取pdf成功，將其儲存為txt格式")

if(isTranslate):
 clist = content.split(".") #split() 透過指定.將英文分成多個句子
 i = 0
 chinese = ""
 print("一共有"+str(clist.__len__())+"行需要翻譯")
 print("開始翻譯...請耐心等待")

  while(i<clist.__len__()): 
 chinese="" +="(translate(clist[i]).replace("n","。"))" 
 #chinese=""
 i+="1"
 savetext(chinese,cntextfile)=""
 print("翻譯結束，ok")

學會了的小夥伴可以動手嘗試啦。更多Python學習推薦:。