python文档自动翻译

来源：https://www.cnblogs.com/aaronthon/p/9974546.html
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。