PDF 文献翻译

本项目通过提取 PDF 文件中的文本，使用 OpenAI 进行翻译，并将翻译结果写入 txt 文件中。

• 标准pdf文件，不可以是扫描文件（图片）
• gpt-3.5-turbo model
• 通过 prompt 指定学术领域，实现更精准翻译。

基于 pypdf 提取 pdf 内容

• PdfReader
  • pdf_header 读取 PDF 文件的头部信息
  • metadata 读取 PDF 文件的元数据：Author Title Creator Producer CreationDate ModDate
  • pages 读取 PDF 文件的页数len(pages)
  • pages[page_number] 读取 PDF 文件的第几页
  • page_layout 读取 PDF 文件的页面布局, 例如：/SinglePage /OneColumn /TwoColumnLeft /TwoColumnRight /TwoPageLeft /TwoPageRight
  • outline 读取 PDF 文件的大纲
  • trailer 读取 PDF 文件的尾部信息
  • attachments 读取 PDF 文件的附件
• Page
  • page_number 页码
  • images 页中的图片，需要安装 Pillow
  • rotation 页的旋转角度
  • rotate(angle) 旋转页
  • get_contents() 读取页的内容
  • extract_text() 提取页的文本
• PdfWriter
  • add_metadata(metadata: dict) 添加元数据
  • add_page(page) 添加页
  • write(output_file) 写入文件

OpenAI

基于特定 prompt 进行翻译，例如：

messages = [
    {
        "role": "system",
        "content": "你是专业的翻译人员。",
    },
    {
        "role": "user",
        "content": f"""将以下文本按照物流配送领域翻译成中文，尽可能符合正式语气，并保留原文格式，\
        结果仅返回翻译内容，不包括其它内容：
        {text}""",
    },
]

使用

复制 .env.example 为 .env，并修改其中的配置。

cp .env.example .env

安装依赖：

pip install -r requirements.txt
# or
pdm install

运行：

pdm run python main.py

# 修改 main.py 中main函数的参数，可以指定翻译的页码范围

测试每页大约需要 10 秒。

如果需要使用代理需配置 .env 文件中的 PROXY。

TODO

• 支持 cli 参数
• 支持历史记录

更完善的项目或工具

• https://github.com/Raychanan/ChatGPT-for-Translation 基于机器学习的pdf内容提取和翻译
• https://github.com/immersive-translate/immersive-translate 网页翻译（支持pdf）的浏览器插件