給寶寶的翻譯小軟體（續）：支援PDF啦！

上次寫好翻譯小軟體後就展示給寶寶，

我：“寶寶，過來給你個小軟體”

她：“幹什麼用哒？”

我：“給你翻譯Word文檔的”

她：“怎麼用啊？”

我：“選擇一個docx文檔，再按翻譯按鈕就好了”

她：“哇，這麼厲害！”

。。。。。。

她：“可以翻譯PDF嗎？好多文檔都是PDF的哦”

我：“這個。。。可以有”

她：“好棒啊！”

然後，又一陣。。。。。。

“自己吹下的牛皮，含淚也要實作。” 不過，這可不是吹牛皮。之前接觸過提取PDF内容的事情，是以還是有把握的。

從PDF裡面提取文本内容有很多種方法，但是真正适合的還是要研究一番才能做出正确的選擇。選擇的标準就是：适合Windows，速度要快。

一、pdfminer

這是純Python實作的PDF内容提取的庫，很适合Python開發，Linux和Windows上使用都很友善。

去github搜尋“pdfminer”，排在第一的是老的版本，隻支援Python 2。支援Python 3的版本叫做： pdfminer.six，也支援Python2，它的位址是：

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

然而，它的速度很慢，因為是純Python寫的。有多慢呢？看看下面它與pdftotext的對比測試吧：

測試檔案大小： 2.1MB

（1）pdftotext 用時： 1.031s

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

real 0m1.031s

user 0m1.004s

sys 0m0.008s

（2）pdfminer 用時： 2m29.226s == 149.226s

time pdf2txt.py z.pdf

real 2m29.226s

user 2m29.016s

sys 0m0.064s

兩者相差149倍！！我家寶寶是個急脾氣，讓她等那麼長時間，我還能好過嗎？果斷舍棄pdfminer，選擇pdftotext。

二、pdftotext

這是一個基于xpdf用C++寫的指令行工具，速度杠杠的（見上面的對比）。有人也把它封裝成了Python庫——pdftotext，但是要編譯成動态庫才能被Python所用。這個封裝基于poppler庫（基于xpdf）。

然而，要在Windows上編譯這個Python庫太不容易了。基本的編譯環境有VC和minGW，具體見：

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

我選擇minGW編譯環境，編譯Python庫時各種依賴太複雜。斷斷續續整了幾天未果，隻好放棄使用這個Python封裝庫。

三、subprocess調用pdftotext.exe

pdftotext指令行工具有Windows版本的可執行檔案下載下傳：

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

那我就用subprocess調用即可。這樣我開發省事兒，寶寶用着速度也夠快，一舉兩得。

路線定好後，程式寫起來就很快了。時間多花在路線定制上，好的路線值得花費時間去制定，往往能得到事半功倍的效果。

四、用pyinstaller釋出程式

上一個版本用pyinstaller打包程式很容易，因為除了程式檔案沒有其它附加檔案，而這次程式包含了pdftotext.exe等檔案，導緻打包不是那麼順利。這其中的經驗，我将總結為一篇專門講解pyinstaller的文章，敬請期待。

五、翻譯軟體：transdocx的運作

（1）從源代碼運作：

直接運作transdocx.py即可。當然，相應的Python庫要先安裝好。

另外，源代碼檔案夾 bin/ 下面的pdftotext.exe不是翻譯軟體，而是被翻譯軟體用來從PDF中提取文本的程式，不要直接運作它。

（2）下載下傳打包好的翻譯軟體

下載下傳transdocx-*.exe後，直接輕按兩下即可運作。