python文档自动翻译

末蓝、 2022-09-09 02:19 220阅读 0赞

**目录**

概述

一、读取Word文档

二、读取PDF文档

--------------------

# 概述 #

工作上的需要翻译的文档常用的事情，列举使用python自动翻译各种方法。

**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

##    **一、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)

## **二、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) << 10) + (a.charCodeAt(++g) & 1023), 
                e[f++] = m >> 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 << d; 
                a = b.charAt(c) == Yb ? a + d & 4294967295 : a ^ d 
            } 
            return a 
        } 
        """)  
              
        def getTk(self,text):  
            return self.ctx.call("TL",text)

调用方法如下所示：

from Py4Js import *
    
    # 谷歌翻译方法
    def google_translate(content):
        '''实现谷歌的翻译'''
        js = Py4Js()
        tk = js.getTk(content)
    
        if len(content) > 4891:      
            print("翻译的长度超过限制！！！")      
            return    
      
        param = {'tk': tk, 'q': content}  
      
        result = requests.get("""http://translate.google.cn/translate_a/single?client=t&sl=en 
            &tl=zh-CN&hl=zh-CN&dt=at&dt=bd&dt=ex&dt=ld&dt=md&dt=qca&dt=rw&dt=rm&dt=ss 
            &dt=t&ie=UTF-8&oe=UTF-8&clearbtn=1&otf=1&pc=1&srcrom=0&ssel=0&tsel=0&kc=2""", params=param)  
      
        #返回的结果为Json，解析为一个嵌套列表  
        trans = result.json()[0]
        ret = ''
        for i in range(len(trans)):
            line = trans[i][0]
            if line != None:
                ret += trans[i][0]
    
        return ret

**有道翻译**

有道翻译的代码实现如下所示：

import urllib.request  
    import urllib.parse  
    import json 
    
    # 有道翻译方法
    def youdao_translate(content):
        '''实现有道翻译的接口'''
        youdao_url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'
        data = {}
        
        data['i']= content
        data['from'] = 'AUTO'
        data['to'] = 'AUTO'
        data['smartresult'] = 'dict'
        data['client'] = 'fanyideskweb'
        data['salt'] = '1525141473246'
        data['sign'] = '47ee728a4465ef98ac06510bf67f3023'
        data['doctype'] = 'json'
        data['version'] = '2.1'
        data['keyfrom'] = 'fanyi.web'
        data['action'] = 'FY_BY_CLICKBUTTION'
        data['typoResult'] = 'false'
        data = urllib.parse.urlencode(data).encode('utf-8')
    
        youdao_response = urllib.request.urlopen(youdao_url, data)
        youdao_html = youdao_response.read().decode('utf-8')
        target = json.loads(youdao_html)
    
        trans = target['translateResult']
        ret = ''
        for i in range(len(trans)):
            line = ''
            for j in range(len(trans[i])):
                line = trans[i][j]['tgt']
            ret += line + '\n'
    
        return ret

**写入文档**  
**写TXT文档**

TXT文档的写比较简单，代码如下所示：

# 写TXT文档
    def write_txt(path,content):
        '''实现TXT文档的写方法'''
        with open(path,'a+') as f:
            f.write(content)

**写Word文档**

Word文档的写就是用上面所属的python-docx库实现，在上面读取Word文档小节中已有代码明细，非常之简单，这里就不在赘述。

**写PDF文档**

同上，写PDF文档，用PyPdf和pdfminer均可实现，PyPDF相对而言要简单写，因本脚本对翻译后的文档只实现了Word和TXT的写，方便对文档进行编辑处理，若需要生成PDF文档，有兴趣可自行研究。

好了，以上就是关键技术基本描述。