來源：https://www.cnblogs.com/aaronthon/p/9974546.html
關(guān)鍵方法
提取文檔內(nèi)容

讀取TXT文檔

txt文檔的讀取很簡單，直接用python自帶的open()方法就好，代碼如下所示：

讀取TXT文檔

def read_txt(path):
'''實現(xiàn)TXT文檔的讀取，一次將內(nèi)容全部取出'''
content = ''
with open(path) as f:
content = f.read()
return content

也可以用readline()讀取每一行

讀取Word文檔

讀取Word文檔也比較簡單，導入第三方庫python-docx，安裝指令為pip install python-docx，實例代碼如下：

import docx # 安裝指令：pip install python-docx

def translate(self):
'''翻譯'''

# 獲取文檔對象
doc = docx.Document(self.fullName)

# 創(chuàng)建內(nèi)存中的word文檔對象
new_doc = docx.Document()

# 遍歷每一段文本
for para in doc.paragraphs:
    # 翻譯
    trans = baidu_translate(para.text)           
    # 寫入新文件
    new_doc.add_paragraph(para.text)
    new_doc.add_paragraph(trans)

# 保存到本地文件
new_doc.save(self.new_fullPath)

讀取PDF文檔

讀取PDF文檔同樣需要安裝第三方庫，主要有PyPDF2和pdfminer，這兩個庫我都有去了解，算是各有特點吧。
PyPDF2使用相對簡單，但只支持英文，對中文支持不太友好；相反pdfminer使用相對而言要復雜點，僅僅是相對而言，其支持多種語言，圖表、圖片等，功能較強大。這兩種方式我在代碼中均有實現(xiàn)，其實例代碼如下：
PyPDF2

安裝指令：pip install pypdf2

from PyPDF2.pdf import PdfFileReader

def translate(self):
'''讀取pdf內(nèi)容，并翻譯，寫入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，如果單詞間歇超過一個空格的，認為是需要換行處理的
    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 + '翻譯完成，新文檔：' + self.new_fullPath)

pdfminer

安裝指令：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):
'''讀取pdf內(nèi)容，并翻譯，寫入txt文件'''

# 以二進制讀模式打開本地pdf文件
fp = open(self.fullPath,'rb')
# 用文件對象來創(chuàng)建一個pdf文檔分析器
praser_pdf = PDFParser(fp)
# 創(chuàng)建一個PDF文檔
doc_pdf = PDFDocument()
# 連接分析器與文檔對象
praser_pdf.set_document(doc_pdf)
doc_pdf.set_parser(praser_pdf)
# 提供初始化密碼doc.initialize("123456")，如果沒有密碼 就創(chuàng)建一個空的字符串
doc_pdf.initialize()

# 檢查文檔是否提供txt轉(zhuǎn)換，不提供就無法翻譯文檔
if not doc_pdf.is_extractable:
    Logger().write(self.fileName + '未能提取有效的文本，停止翻譯。')
    return
else:
    # 創(chuàng)建PDF資源管理器來共享資源
    rsrcmgr = PDFResourceManager()
    # 創(chuàng)建一個PDF參數(shù)分析器
    laparams = LAParams()
    # 創(chuàng)建聚合器
    device = PDFPageAggregator(rsrcmgr,laparams=laparams)
    # 創(chuàng)建一個PDF頁面解釋器對象
    interpreter = PDFPageInterpreter(rsrcmgr,device)

    # 循環(huán)遍歷列表，每次處理一頁的內(nèi)容
    for page in doc_pdf.get_pages():
        # 使用頁面解釋器來讀取
        interpreter.process_page(page)
        # 使用聚合器獲取內(nèi)容
        layout = device.get_result()

        # 這里layout是一個LTPage對象 里面存放著 這個page解析出的各種對象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對象的text屬性，
        for out in layout:
            # 判斷是否含有g(shù)et_text()方法，圖片之類的就沒有
            if isinstance(out,LTTextBoxHorizontal):
                content = out.get_text()
                trans = baidu_translate(content)
                self.write(content)
                self.write(trans)
    Logger().write(self.fileName + '翻譯完成，新文檔：' + self.new_fullPath)

調(diào)用翻譯接口

利用python網(wǎng)絡爬蟲可以很輕松的實現(xiàn)數(shù)據(jù)爬取，這里就是利用這種“手段”實現(xiàn)翻譯功能，對此，還是要感謝這些接口提供商，感謝CCTV、鐵嶺TV。

百度翻譯

百度翻譯有反爬機制，電腦端的爬蟲會被干掉，所幸手機端可以使用，代碼如下所示：

import urllib.request
import urllib.parse
import json

百度翻譯方法

def baidu_translate(content,type=1):
'''實現(xiàn)百度翻譯'''
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

谷歌翻譯

首先需要一個類實現(xiàn)JS碼的生成

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)  

調(diào)用方法如下所示：

from Py4Js import *

谷歌翻譯方法

def google_translate(content):
'''實現(xiàn)谷歌的翻譯'''
js = Py4Js()
tk = js.getTk(content)

if len(content) > 4891:      
    print("翻譯的長度超過限制！??！")      
    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)  

#返回的結(jié)果為Json，解析為一個嵌套列表  
trans = result.json()[0]
ret = ''
for i in range(len(trans)):
    line = trans[i][0]
    if line != None:
        ret += trans[i][0]

return ret

有道翻譯

有道翻譯的代碼實現(xiàn)如下所示：

import urllib.request
import urllib.parse
import json

有道翻譯方法

def youdao_translate(content):
'''實現(xiàn)有道翻譯的接口'''
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

寫入文檔

寫TXT文檔

TXT文檔的寫比較簡單，代碼如下所示：

寫TXT文檔

def write_txt(path,content):
'''實現(xiàn)TXT文檔的寫方法'''
with open(path,'a+') as f:
f.write(content)
寫Word文檔

Word文檔的寫就是用上面所屬的python-docx庫實現(xiàn)，在上面讀取Word文檔小節(jié)中已有代碼明細，非常之簡單，這里就不在贅述。

寫PDF文檔

同上，寫PDF文檔，用PyPdf和pdfminer均可實現(xiàn)，PyPDF相對而言要簡單寫，因本腳本對翻譯后的文檔只實現(xiàn)了Word和TXT的寫，方便對文檔進行編輯處理，若需要生成PDF文檔，有興趣可自行研究。

好了，關(guān)鍵技術(shù)已基本描述清楚，下面就是具體的實現(xiàn)過程和效果對比。