给宝宝的翻译小软件：支持PDF啦！

上次写好翻译小软件后就展示给宝宝，

我：“宝宝，过来给你个小软件”

她：“干什么用哒？”

我：“给你翻译Word文档的”

她：“怎么用啊？”

我：“选择一个docx文档，再按翻译按钮就好了”

她：“哇，这么厉害！”

。。。。。。

她：“可以翻译PDF吗？好多文档都是PDF的哦”

我：“这个。。。可以有”

她：“好棒啊！”

然后，又一阵。。。。。。

“自己吹下的牛皮，含泪也要实现。” 不过，这可不是吹牛皮。之前接触过提取PDF内容的事情，所以还是有把握的。

从PDF里面提取文本内容有很多种方法，但是真正适合的还是要研究一番才能做出正确的选择。选择的标准就是：适合Windows，速度要快。

一、pdfminer

这是纯Python实现的PDF内容提取的库，很适合Python开发，Linux和Windows上使用都很方便。

去github搜索“pdfminer”，排在第一的是老的版本，只支持Python 2。支持Python 3的版本叫做： pdfminer.six，也支持Python2，它的地址是：

https://github.com/pdfminer/pdfminer.six

然而，它的速度很慢，因为是纯Python写的。有多慢呢？看看下面它与pdftotext的对比测试吧：

测试文件大小： 2.1MB

（1）pdftotext 用时： 1.031s

time ./bin/pdftotext -enc UTF-8 z.pdf z.txt

real0m1.031s

user0m1.004s

sys0m0.008s

（2）pdfminer 用时： 2m29.226s == 149.226s

time pdf2txt.py z.pdf

real2m29.226s

user2m29.016s

sys0m0.064s

两者相差149倍！！我家宝宝是个急脾气，让她等那么长时间，我还能好过吗？果断舍弃pdfminer，选择pdftotext。

二、pdftotext

这是一个基于xpdf用C++写的命令行工具，速度杠杠的（见上面的对比）。有人也把它封装成了Python库——pdftotext，但是要编译成动态库才能被Python所用。这个封装基于poppler库（基于xpdf）。

然而，要在Windows上编译这个Python库太不容易了。基本的编译环境有VC和minGW，具体见：

https://wiki.python.org/moin/WindowsCompilers

我选择minGW编译环境，编译Python库时各种依赖太复杂。断断续续整了几天未果，只好放弃使用这个Python封装库。

三、subprocess调用pdftotext.exe

pdftotext命令行工具有Windows版本的可执行文件下载：

https://www.xpdfreader.com/download.html

那我就用subprocess调用即可。这样我开发省事儿，宝宝用着速度也够快，一举两得。

路线定好后，程序写起来就很快了。时间多花在路线定制上，好的路线值得花费时间去制定，往往能得到事半功倍的效果。

四、用pyinstaller发布程序

上一个版本用pyinstaller打包程序很容易，因为除了程序文件没有其它附加文件，而这次程序包含了pdftotext.exe等文件，导致打包不是那么顺利。这其中的经验，我将总结为一篇专门讲解pyinstaller的文章，敬请期待。

五、翻译软件：transdocx的运行

（1）从源代码运行：

直接运行transdocx.py即可。当然，相应的Python库要先安装好。

另外，源代码文件夹 bin/ 下面的pdftotext.exe不是翻译软件，而是被翻译软件用来从PDF中提取文本的程序，不要直接运行它。

（2）下载打包好的翻译软件

下载transdocx-*.exe后，直接双击即可运行。

最后，跟上次一样，关注公众号发消息“翻译”获得软件下载地址，发送“翻译源码”获得本软件的源代码。

一个十年Python码奴与运营汪的结合体