解决PDF文件复制后多余空行，并实现自动翻译

发表于 更新于 分类于 评论数： 阅读次数：
本文字数： 2.1k 阅读时长 ≈ 4 分钟

最前

作为一名英语并不好的小白，近期苦于阅读英文文献，常常要用到机器翻译。然而，从 PDF 文件中复制内容，往往会出现多余的换行情况，强迫症患者表示这很难受，如下图所示：

Error

并且这样多余的换行出现一定程度上影响了翻译的结果，也不利于中文阅读，影响看论文的速度，

解决方案

1. 利用 Python 将多余的换行去除掉

该功能参考了 CSDN 作者 YLPGG 的思路，使用时仅需复制需要翻译的内容到程序中，可复制多段文字，然后在内容后输入一个#（井字符号），再回车即可，代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
def get_content():
    '''
    处理 PDF 文件复制后多余的换行
    '''
    print('请输入要翻译的内容：')
    transText = ""
    line = sys.stdin.readline()
     
    while line != "#\n":
            transText += line
            line = sys.stdin.readline()

    transText = transText.replace(".\n","段落")
    transText = transText.replace("\n"," ")
    transText = transText.replace("段落","\n")

    pattern = re.compile(r'\n[A-Z]')
    res = pattern.findall(transText)

    for i in res:
        transText = transText.replace(str(i),'\n'+str(i)[1])

    transText = transText.split('\n')

    for each in transText:
        get_translation(each)

2. 利用 Python 访问 API 获取翻译结果，代码如下：

2.1 百度翻译 API

使用前需在百度翻译开放平台 注册开发者账号，每个月有 200w 字符的免费翻译额度，超出后按照 49 元 / 百万字符支付当月全部翻译字符数费用，应该个人使用 200w 字符是够用的，论文狂魔除外。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
def get_translation(q):
    '''
    调用百度翻译 Api 实现翻译
    '''
    appid = '百度翻译 appid'
    secretKey = '百度翻译 secreKey'

    url = 'https://fanyi-api.baidu.com/api/trans/vip/translate'

    try:
        compile_trans = re.compile(r'(^[\u4e00-\u9fa5]{0,}$)')
        if compile_trans.match(q):
            from_ = 'zh'
            to_ = 'en'
        else:
            from_ = 'en'
            to_ = 'zh'
        salt = random.randint(32768, 65536)

        sign = (appid + q + str(salt) + secretKey).encode("utf-8")
        m1 = hashlib.md5(sign)
        sign = m1.hexdigest()

        data = {
            'q' : q,
            'from' : from_,
            'to' : to_,
            'appid' : appid,
            'salt' : salt,
            'sign' : sign,}

        res = requests.post(url, data).text
        target = json.loads(res)
        print(target['trans_result'](0)['dst']+'\n\n\n')
    except:
        pass

其它翻译 API 待更新

最后

已知 Bug

  1. 由于识别段落换行和多余换行区别的局限性，如果正巧某行文字的最后一个字符为“.”（英文句号），则会被认为是正常的段落换行，导致分段错误，但不影响句子的完整性。

  2. 部分英语文献中可能含有特殊字符，会导致翻译 API 返回错误，在程序中会被直接跳过，但大部分正常文献都没有问题。

下载链接

我的 GitHub：https://github.com/busbyjrj/translate

最近更新时间：2018 年 8 月 12 日