python爬虫如何爬取英文文档存为PDF，在读取PDF自动翻译文档
发布时间：2021-12-30 11:18:54
来源：亿速云
阅读：389
作者：小新
栏目： 大数据
这篇文章给大家分享的是有关python爬虫如何爬取英文文档存为PDF，在读取PDF自动翻译文档的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
这几天在爬了Python的官方文档，但是它里面全是英文，只有数字，没有汉字，原谅我这个英语渣渣搞不懂，只能靠翻译了，如果是复制到百度翻译的话太慢，耗时间。所以就直接用爬虫来搞了，自动化翻译文档
这是百度翻译的页面
刚开始想用urllib去做，但是给我报了一个我的浏览器版本太低了，估计就是得加headers和UA。太麻烦了，就想到了selenium,直接用selenium妥妥的，下面就是详细步骤了。
先从爬Python官网开始吧
就只抓了这一页的数据。这个简单，直接可以使用requests或者urllib抓取，然后转换成pdf。我的是在框架里面，有点麻烦，如果你觉得麻烦可以直接请求。
安装Python库:pip3 install pdfkit
安装插件wkhtmltopdf，
https://wkhtmltopdf.org/downloads.html官网地址
import scrapy
import pdfkit
class so_python3_spider(scrapy.Spider):
name = 'doc'
def start_requests(self):
url = 'https://docs.python.org/3.8/whatsnew/3.8.html'
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
body = response.selector.xpath('//div[@class="section"]').extract()
title = response.selector.xpath('//div[@class="section"]/h2/text()').extract()
html_template = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
</head>
<body>
{content}
</body>
</html>
"""
for i in range(len(body)):
html = html_template.format(content=body[i])
with open(title[i]+'.html', 'a', encoding='utf8') as f:
f.write(html)
options = {
'page-size': 'Letter',
'encoding': "UTF-8",
'custom-header': [
('Accept-Encoding', 'gzip')
]
}
path_wk = r'D:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe' # 安装位置
config = pdfkit.configuration(wkhtmltopdf=path_wk)
pdfkit.from_file(title[i]+'.html', title[i]+'.pdf', options=options, configuration=config)
我是直接将一个div里面的这个内容全部拿下来，然后拼接一个新的html,将这个新的HTML转换成PDF。
第二阶段就是打开这个pdf,读取该文档，将其发送到百度翻译的框框，获取翻译的结果，重新保存
-----------读取文档--------
def read_pdf_to_text(self):
fp = open("What’s New In Python 3.8.pdf", "rb") # 根据二进制的方式读取
# 如果是url
# fp=request.urlopen(url)#网址
# 创建与文档关联的解释器
parser = PDFParser(fp)
# 创建一个pdf文档对象
doc = PDFDocument()
# 连接解释器和文档对象
parser.set_document(doc)
doc.set_parser(parser)
# 对文档进行初始化
doc.initialize("") # 文件没有密码就是空字符串
# 创建一个pdf资源管理器
resouse = PDFResourceManager()
# 创建一个参数分析器
lap = LAParams()
# 创建一个聚合器
device = PDFPageAggregator(resouse, laparams=lap)
# 创建一个页面解释器
interpreter = PDFPageInterpreter(resouse, device)
# 开始读取内容
for page in doc.get_pages():
# 调用页面解释器来解释
interpreter.process_page(page)
# 使用聚合器来获得内容
layout = device.get_result()
for out in layout:
if hasattr(out, "get_text"):
content = out.get_text()
将文档读取，发送到百度翻译https://fanyi.baidu.com/?aldtype=16047#en/zh
找到输入框和输出框的位置
翻译模块（复制到微信里，格式有点问题，大家自己修正）
def baidu_fanyi(self, content):
time.sleep(5)
# 找到输入框的位置，并将内容发送到该位置
self.browser.find_element_by_id('baidu_translate_input').send_keys(content)
time.sleep(5)
# 获取输出框的内容
con = self.browser.find_element_by_class_name('output-bd')
# 写入文件
with open('python3.8.txt', 'a', encoding='utf8') as f:
# 由于content内容带有回车符，所以不用\n
f.write(content + con.text + '\n')
# 将输入框清空，等待下一次输入
self.browser.find_element_by_id('baidu_translate_input').clear()
time.sleep(5)
这是翻译后输出的内容
当然还有可以优化加强的部分，比如使用pyqt做个界面，打包成exe就可以当程序用了。有什么建议留言。
感谢各位的阅读！关于“python爬虫如何爬取英文文档存为PDF，在读取PDF自动翻译文档”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
