【Python】PDFを無制限に翻訳する方法｜Googletrans

import pandas as pd
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTContainer, LTTextBox
from pdfminer.pdfinterp import PDFPageInterpreter, PDFResourceManager
from pdfminer.pdfpage import PDFPage

from googletrans import Translator
from pdfrw import PdfReader
from pdfrw.buildxobj import pagexobj
from pdfrw.toreportlab import makerl
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import portrait, A4
from reportlab.pdfbase import pdfmetrics
from reportlab.platypus import Table, TableStyle, Paragraph
from reportlab.lib import colors
from reportlab.lib.styles import ParagraphStyle
from PyPDF2 import PdfFileMerger
from reportlab.pdfbase.cidfonts import UnicodeCIDFont
import time

# 自作関数の定義--------------------------------------------------------------------
# 1ページのテキストボックスを取得する関数
def find_textboxes(layout):
    if isinstance(layout, LTTextBox):
        return [layout]
    elif isinstance(layout, LTContainer):
        boxes = []
        for child in layout:
            boxes.extend(find_textboxes(child))
        return boxes
    else:
        return []


# PDFファイルに関する処理---------------------------------------------------------------------
# PDFファイル名の指定（入力）
file_input = input('Enter PDF name: ')
# 読み取るPDFの行間の設定（入力）（0.5で固定しても良い）
margin_input = input('Enter Margin: ')

# ファイルの取得
fp = open(file_input, 'rb')

# PDFの取得
pdfPages = PDFPage.get_pages(fp)

# 出力先のパスを設定
file_out = "和訳_" + file_input

# 翻訳機に関する処理-------------------------------------------------------------------------------------
# 翻訳機（Google trans）
translator = Translator()

# 翻訳の設定-------------------------------------------------------------------------------------
resourceManager = PDFResourceManager()
# 読み取りパラメータの設定
laParams = LAParams(line_overlap = 0.5,
                    word_margin  = 0.1,
                    char_margin  = 2,
                    line_margin  = float(margin_input),
                    detect_vertical = True)

#インタプリタオブジェクト作成
device = PDFPageAggregator(resourceManager, laparams=laParams)
interpreter = PDFPageInterpreter(resourceManager, device)

# 文章情報の取得-------------------------------------------------------------------------------------
# dfに文章とテキストボックスの位置の情報を保存する
df = pd.DataFrame()
for page_no, page in enumerate(pdfPages, start=1):
        #ページ処理
        interpreter.process_page(page)
        #LTPageオブジェクトを取得
        layout = device.get_result()
        #1ページ内のテキストのまとまりのリストを取得
        boxes = find_textboxes(layout)

        #テキストひとまとまりごとに処理
        for box in boxes:
            df_page = pd.DataFrame({"x_start":[box.x0],
                                    "x_end"  :box.x1,
                                    "y_start":box.y0,
                                    "y_end"  :box.y1,
                                    "text"   :box.get_text().strip(),
                                    "page"   :page_no}
                                    )

            df = pd.concat([df,df_page])

df = df.reset_index(drop=True)

# 翻訳ルールの設定-------------------------------------------------------------------------------------
# 80文字以上 and []から始まるのは除去,数式も削除（ここは各自カスタマイズ可能）

# min_words文字以下の文章は翻訳しない
min_words = 80 #各自設定

# 数式は=の有無で判定
math_list = []
for ii in range(len(df)):
    if "=" in df.iloc[ii,4] and "." not in df.iloc[ii,4]:
        math_list.append(ii)

df_index = []
for ii in range(len(df)):
    df.iloc[ii,4] = df.iloc[ii,4].replace('\n', '')
    if ii in math_list:
        continue
    if len(df.iloc[ii,4]) > min_words:
        if df.iloc[ii,4][0] != "[":
            df_index.append(ii)

    if "References" in df.iloc[ii,4] or "Reference" in df.iloc[ii,4]\
        or "REFERENCES" in df.iloc[ii,4] or "REFERENCE" in df.iloc[ii,4]:
        break

# 全部のセンテンス数を表示（なくてもよい）
print(len(df_index),"sentenses")


# 出力の設定-------------------------------------------------------------------------------------
# フォント等各種設定
font_name = "HeiseiKakuGo-W5"
pdfmetrics.registerFont(UnicodeCIDFont(font_name))
cc = canvas.Canvas(file_out, pagesize=portrait(A4))
past_page = -1

margen_ = 0
merger = PdfFileMerger()


# 翻訳する-------------------------------------------------------------------------------------
# 元のPDFを読み込み
pages = PdfReader(file_input, decompress=False).pages

# dfの情報を元に翻訳する
for dd in df_index:
    time.sleep(0.5)
    nowpage = df.iloc[dd,5]

    # 進行状況の表示用
    if nowpage != past_page:
        print(nowpage,"/",df.iloc[-1,5])
        if past_page != -1:
            cc.showPage()

        pp = pagexobj(pages[nowpage-1])
        cc.doForm(makerl(cc, pp))

    # ページ情報取得
    pagenum = df.iloc[dd,5]
    # 位置とサイズの指定
    left_low = [df.iloc[dd,0],df.iloc[dd,2] + margen_]
    colsize = [df.iloc[dd,1] - df.iloc[dd,0], df.iloc[dd,3]-df.iloc[dd,2] - margen_]

    # 翻訳した日本語の設定
    pstyle = ParagraphStyle(name='Normal', fontName=font_name, fontSize=9, leading=8)

    # TEXTを翻訳したものがTEXT_JNになるようにする（例外処理もする）
    TEXT = df.iloc[dd,4]
    try:
        TEXT_JN = translator.translate(TEXT, src='en', dest="ja").text
    except TypeError:
        TEXT_JN = TEXT

    try:
        JN_para = Paragraph(TEXT_JN,pstyle)
    except ValueError:
        continue


    # 元の文章の位置に翻訳した文章を貼り付ける
    table = Table([[JN_para]], colWidths=colsize[0], rowHeights=colsize[1])

    # 貼り付けの装飾設定（白枠にしている）
    table.setStyle(TableStyle([
            ('GRID', (0, 0), (-1, -1), 0.1, colors.white),
            ('VALIGN', (0, 0), (0, -1), 'TOP'),
            ('BACKGROUND', (0, 0), (0, -1), colors.white)
        ]))


    # 文字書き出し
    table.wrapOn(cc, left_low[0], left_low[1]) #x,y 左下原点
    try:
        table.drawOn(cc, left_low[0], left_low[1])
    except AttributeError:
        print("ERROR",nowpage)

    past_page = df.iloc[dd,5]

cc.save()

python google_trans_auto.py

Enter PDF name: test.pdf

Enter Margin: 0.5