您好,登錄后才能下訂單哦!
針對(duì)Python 3.5.2 測(cè)試
首先安裝兩個(gè)包:
$ pip install googletrans
$ pip install pdfminer3k
googletrans會(huì)提供一個(gè)命令translate,這個(gè)命令會(huì)調(diào)用google translate api執(zhí)行自動(dòng)翻譯:
pdfminer3k會(huì)提供一個(gè)工具腳本pdf2txt.py:
$ pdf2txt.py xxx.pdf
從stackoverflow搜索到可以去除頁(yè)眉和頁(yè)腳的命令(強(qiáng)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(shí)別段落或者整句,如果一個(gè)整句中出現(xiàn)換行符,會(huì)發(fā)現(xiàn)翻譯就不完整了,以網(wǎng)頁(yè)版谷歌翻譯測(cè)試:
因此需要將pdf轉(zhuǎn)換好的文本文件進(jìn)行拼接,借用linux args 命令,實(shí)現(xiàn)此功能,將整個(gè)文件的換行符全部去掉。
但是問(wèn)題又出現(xiàn)了,整個(gè)文件變成一行,我們的段落結(jié)構(gòu)都消失了,那么我們需要手動(dòng)添加delimiter,設(shè)置為一個(gè)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(gè)文件,然后對(duì)文件進(jìn)行簡(jiǎn)單的后處理,就可以了。
以上這篇python實(shí)現(xiàn)從pdf文件中提取文本,并自動(dòng)翻譯的方法就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。