python文档自动翻译

2024-02-04 06:40| 来源: 网络整理| 查看: 265

关键方法提取文档内容读取TXT文档

txt文档的读取很简单，直接用python自带的open()方法就好，代码如下所示：

# 读取TXT文档 def read_txt(path): '''实现TXT文档的读取，一次将内容全部取出''' content = '' with open(path) as f: content = f.read() return content # 也可以用readline()读取每一行读取Word文档

读取Word文档也比较简单，导入第三方库python-docx，安装指令为pip install python-docx，实例代码如下：

import docx # 安装指令：pip install python-docx def translate(self): '''翻译''' # 获取文档对象 doc = docx.Document(self.fullName) # 创建内存中的word文档对象 new_doc = docx.Document() # 遍历每一段文本 for para in doc.paragraphs: # 翻译 trans = baidu_translate(para.text) # 写入新文件 new_doc.add_paragraph(para.text) new_doc.add_paragraph(trans) # 保存到本地文件 new_doc.save(self.new_fullPath) 读取PDF文档

读取PDF文档同样需要安装第三方库，主要有PyPDF2和pdfminer，这两个库我都有去了解，算是各有特点吧。 PyPDF2使用相对简单，但只支持英文，对中文支持不太友好；相反pdfminer使用相对而言要复杂点，仅仅是相对而言，其支持多种语言，图表、图片等，功能较强大。这两种方式我在代码中均有实现，其实例代码如下：PyPDF2

# 安装指令：pip install pypdf2 from PyPDF2.pdf import PdfFileReader def translate(self): '''读取pdf内容，并翻译，写入txt文件''' f = open(self.fullPath,'rb') pdf = PdfFileReader(f) for i in range(0,pdf.getNumPages()): extractedText = pdf.getPage(i).extractText() content = extractedText.split('\n') content = self.removeBlankFromList(content) # 拼接之后的文本，如果单词间歇超过一个空格的，认为是需要换行处理的 content_list = self.enter_symbol(content) for line in content_list: trans = baidu_translate(line) self.write(line + '\n') self.write(trans) f.close() Logger().write(self.fileName + '翻译完成，新文档：' + self.new_fullPath)

pdfminer

# 安装指令：pip install pdfminer3k from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter from pdfminer.layout import LAParams,LTTextBoxHorizontal from pdfminer.converter import PDFPageAggregator from pdfminer.pdfinterp import PDFTextExtractionNotAllowed def translate(self): '''读取pdf内容，并翻译，写入txt文件''' # 以二进制读模式打开本地pdf文件 fp = open(self.fullPath,'rb') # 用文件对象来创建一个pdf文档分析器 praser_pdf = PDFParser(fp) # 创建一个PDF文档 doc_pdf = PDFDocument() # 连接分析器与文档对象 praser_pdf.set_document(doc_pdf) doc_pdf.set_parser(praser_pdf) # 提供初始化密码doc.initialize("123456")，如果没有密码就创建一个空的字符串 doc_pdf.initialize() # 检查文档是否提供txt转换，不提供就无法翻译文档 if not doc_pdf.is_extractable: Logger().write(self.fileName + '未能提取有效的文本，停止翻译。') return else: # 创建PDF资源管理器来共享资源 rsrcmgr = PDFResourceManager() # 创建一个PDF参数分析器 laparams = LAParams() # 创建聚合器 device = PDFPageAggregator(rsrcmgr,laparams=laparams) # 创建一个PDF页面解释器对象 interpreter = PDFPageInterpreter(rsrcmgr,device) # 循环遍历列表，每次处理一页的内容 for page in doc_pdf.get_pages(): # 使用页面解释器来读取 interpreter.process_page(page) # 使用聚合器获取内容 layout = device.get_result() # 这里layout是一个LTPage对象里面存放着这个page解析出的各种对象一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等想要获取文本就获得对象的text属性， for out in layout: # 判断是否含有get_text()方法，图片之类的就没有 if isinstance(out,LTTextBoxHorizontal): content = out.get_text() trans = baidu_translate(content) self.write(content) self.write(trans) Logger().write(self.fileName + '翻译完成，新文档：' + self.new_fullPath) 调用翻译接口

利用python网络爬虫可以很轻松的实现数据爬取，这里就是利用这种“手段”实现翻译功能，对此，还是要感谢这些接口提供商，感谢CCTV、铁岭TV。

百度翻译

百度翻译有反爬机制，电脑端的爬虫会被干掉，所幸手机端可以使用，代码如下所示：

import urllib.request import urllib.parse import json # 百度翻译方法 def baidu_translate(content,type=1): '''实现百度翻译''' baidu_url = 'http://fanyi.baidu.com/basetrans' data = {} data['from'] = 'en' data['to'] = 'zh' data['query'] = content data['transtype'] = 'translang' data['simple_means_flag'] = '3' data['sign'] = '94582.365127' data['token'] = 'ec980ef090b173ebdff2eea5ffd9a778' data = urllib.parse.urlencode(data).encode('utf-8') headers = {"User-Agent":"Mozilla/5.0 (Linux; Android 5.1.1; Nexus 6 Build/LYZ28E) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Mobile Safari/537.36"} baidu_re = urllib.request.Request(baidu_url, data, headers) baidu_response = urllib.request.urlopen(baidu_re) baidu_html = baidu_response.read().decode('utf-8') target2 = json.loads(baidu_html) trans = target2['trans'] ret = '' for i in range(len(trans)): ret += trans[i]['dst'] + '\n' return ret 谷歌翻译

首先需要一个类实现JS码的生成

import execjs class Py4Js(): def __init__(self): self.ctx = execjs.compile(""" function TL(a) { var k = ""; var b = 406644; var b1 = 3293161072; var jd = "."; var $b = "+-a^+6"; var Zb = "+-3^+b+-f"; for (var e = [], f = 0, g = 0; g < a.length; g++) { var m = a.charCodeAt(g); 128 > m ? e[f++] = m : (2048 > m ? e[f++] = m >> 6 | 192 : (55296 == (m & 64512) && g + 1 < a.length && 56320 == (a.charCodeAt(g + 1) & 64512) ? (m = 65536 + ((m & 1023) > 18 | 240, e[f++] = m >> 12 & 63 | 128) : e[f++] = m >> 12 | 224, e[f++] = m >> 6 & 63 | 128), e[f++] = m & 63 | 128) } a = b; for (f = 0; f < e.length; f++) a += e[f], a = RL(a, $b); a = RL(a, Zb); a ^= b1 || 0; 0 > a && (a = (a & 2147483647) + 2147483648); a %= 1E6; return a.toString() + jd + (a ^ b) }; function RL(a, b) { var t = "a"; var Yb = "+"; for (var c = 0; c < b.length - 2; c += 3) { var d = b.charAt(c + 2), d = d >= t ? d.charCodeAt(0) - 87 : Number(d), d = b.charAt(c + 1) == Yb ? a >>> d: a

【本文地址】

公司简介

联系我们