1 提取PDF文本内容

使用PyPDF2从PDF中提取文本：

import PyPDF2

def extract_text_from_pdf(pdf_path):
    text = ""
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        num_pages = len(reader.pages)
        
        for page_num in range(num_pages):
            page = reader.pages[page_num]
            text += page.extract_text() + "\n"
    
    return text

# 使用示例
pdf_text = extract_text_from_pdf("document.pdf")
print(f"提取到 {len(pdf_text)} 个字符")
                

2 翻译提取的英文内容

使用Googletrans库进行翻译：

from googletrans import Translator

def translate_text(text, src='en', dest='zh-cn'):
    translator = Translator()
    
    # 分割长文本（谷歌翻译有长度限制）
    max_chunk_size = 5000
    chunks = [text[i:i+max_chunk_size] for i in range(0, len(text), max_chunk_size)]
    
    translated_chunks = []
    for chunk in chunks:
        translation = translator.translate(chunk, src=src, dest=dest)
        translated_chunks.append(translation.text)
    
    return "".join(translated_chunks)

# 使用示例
translated_text = translate_text(pdf_text)
print(translated_text[:500])  # 打印前500个字符
                

3 处理复杂PDF（使用PDFMiner）

对于格式复杂的PDF，使用PDFMiner：

from pdfminer.high_level import extract_text

def extract_text_with_pdfminer(pdf_path):
    return extract_text(pdf_path)

# 使用示例
complex_pdf_text = extract_text_with_pdfminer("complex_document.pdf")
print(f"PDFMiner提取到 {len(complex_pdf_text)} 个字符")
                

处理翻译限制

谷歌翻译有5000字符的限制，解决方案：

• 分割长文本为多个段落
• 添加延迟避免IP被封禁
• 使用付费API如DeepL获取更稳定的服务

提高OCR准确性

对于扫描版PDF（图片格式）：

• 使用Tesseract OCR引擎
• 预处理图像（调整对比度、降噪）
• 选择适合的OCR语言包

保存翻译结果

将翻译结果保存为易读格式：

# 保存为文本文件
with open("translated_result.txt", "w", encoding="utf-8") as f:
    f.write(translated_text)

# 保存为双语对照格式
with open("bilingual_result.txt", "w", encoding="utf-8") as f:
    for en_line, zh_line in zip(pdf_text.split('\n'), translated_text.split('\n')):
        f.write(f"EN: {en_line}\nZH: {zh_line}\n\n")