python从pdf文件中提取文本，并自动翻译

针对Python 3.5.2 测试

首先安装两个包：

$ pip install googletrans

$ pip install pdfminer3k

googletrans会提供一个命令translate，这个命令会调用google translate api执行自动翻译：

pdfminer3k会提供一个工具脚本pdf2txt.py：

$ pdf2txt.py xxx.pdf

谷歌翻译并不能识别段落或者整句，如果一个整句中出现换行符，会发现翻译就不完整了，以网页版谷歌翻译测试：

因此需要将pdf转换好的文本文件进行拼接，借用linux args 命令，实现此功能，将整个文件的换行符全部去掉。

但是问题又出现了，整个文件变成一行，我们的段落结构都消失了，那么我们需要手动添加delimiter，设置为一个特殊字符@。

扫描二维码关注公众号，回复： 32909 查看本文章

执行如下命令：

cat trans_src.txt |xargs  |xargs -0 -d '@'  -i{} translate  -d zh-cn {} |tee trans_dst.txt

将翻译后的文本重定向到一个文件，然后对文件进行简单的后处理，就可以了。