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。

让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名注册、网络空间、营销软件、网站建设、右玉网站维护、网站推广。

        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 = """
                   
                   
                   
                       
                   
                   
                   {content}
                   
                   
               """
       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
       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！

标题名称：python爬虫如何爬取英文文档存为PDF，在读取PDF自动翻译文档
文章起源：http://scyingshan.cn/article/gscegh.html