python文档自动翻译

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) << 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，关键技术已基本描述清楚，下面就是具体的实现过程和效果对比。