Python爬虫系列-有道批量翻译英文单词-注音标版

2024-01-03 11:36

本文主要是介绍Python爬虫系列-有道批量翻译英文单词-注音标版,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

爬虫系列更新-第二篇文章——《Python爬虫系列-有道批量翻译英文单词-注音标版》

之前发布计算机英文单词时研究了下,怎么把一个含有大量英文单词的txt文件翻译成如下格式:

如上图,左边图片是需要翻译的txt文本,右边图片是翻译后的txt文本。

运行的实际界面效果。

python代码参考了CSDN上的这个作者的帖子,他的分析博文很牛,但是没有批量翻译功能,所以我在他的代码的基础上添加了翻译中文、写入国际音标的功能,全部代码如下:

import hashlib
import base64
import requests
import json
import timefrom urllib.parse import urlencode
from Crypto.Cipher import AES
from Crypto.Util.Padding import unpad, padclass AESCipher(object):key = b'ydsecret://query/key/B*RGygVywfNBwpmBaZg*WT7SIOUP2T0C9WHMZN39j^DAdaZhAnxvGcCY6VYFwnHl'iv = b'ydsecret://query/iv/C@lZe2YzHtZ2CYgaXKSVfsb7Y4QWHjITPPZ0nQp87fBeJ!Iv6v^6fvi2WN@bYpJ4'iv = hashlib.md5(iv).digest()key = hashlib.md5(key).digest()@staticmethoddef decrypt(data):# AES解密cipher = AES.new(AESCipher.key, AES.MODE_CBC, iv=AESCipher.iv)decrypted = cipher.decrypt(base64.b64decode(data, b'-_'))unpadded_message = unpad(decrypted, AES.block_size).decode()return unpadded_message@staticmethoddef encrypt(plaintext: str):# AES加密cipher = AES.new(AESCipher.key, AES.MODE_CBC, iv=AESCipher.iv)plaintext = plaintext.encode()padded_message = pad(plaintext, AES.block_size)encrypted = cipher.encrypt(padded_message)encrypted = base64.b64encode(encrypted, b'-_')return encrypteddef get_form_data(sentence, from_lang, to_lang):"""构建表单参数:param :sentence:翻译内容:param from_lang:源语言:param to_lang:目标语言:return:"""e = 'fsdsogkndfokasodnaso'd = 'fanyideskweb'u = 'webfanyi'm = 'client,mysticTime,product'p = '1.0.0'b = 'web'f = 'fanyi.web't = time.time()query = {'client': d,'mysticTime': t,'product': u,'key': e}# 获取sign值 - -密钥值h = hashlib.md5(urlencode(query).encode('utf-8')).hexdigest()form_data = {'i': sentence,'from': from_lang,'to': to_lang,'domain': 0,'dictResult': 'true','keyid': u,'sign': h,'client': d,'product': u,'appVersion': p,'vendor': b,'pointParam': m,'mysticTime': t,'keyfrom': f}return form_datadef translate(sentence, from_lang='auto', to_lang=''):""":param sentence:需翻译的句子:param from_lang:源语言:param to_lang:目标语言:return:"""# 有道翻译网页请求参数url = 'https://dict.youdao.com/webtranslate'headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36','referer': 'https://fanyi.youdao.com/','cookie': 'OUTFOX_SEARCH_USER_ID=-805044645@10.112.57.88; OUTFOX_SEARCH_USER_ID_NCOO=818822109.5585971;'}params = get_form_data(sentence, from_lang, to_lang)res = requests.post(url, headers=headers, data=params)# 翻译结果进行AES解密cipher = AESCipherret = json.loads(cipher.decrypt(res.text))#ret1 = json.dumps(ret,indent=4,ensure_ascii=False,sort_keys=False,separators=(",",";"))try:out = "英:[" + ret["dictResult"]["ec"]["word"]["ukphone"] + "] " + "美:[" + ret["dictResult"]["ec"]["word"]["usphone"] + "]"trans = ret["dictResult"]["ec"]["word"]["trs"]tgt = ret['translateResult'][0][0]['tgt']out = out + " 译:[" + tgt + "]"#for tran in trans:#if 'pos' in tran:#out = out + " " + tran['pos'] + " " + tran['tran']#print(out)return outexcept Exception as e:print('翻译失败:', e)return 0if __name__ == '__main__':path = input("请输入你要翻译的txt文档路径(E:\1.txt): ")# result = translate(word)out = ""with open(path,'r') as f:lines = f.readlines()for line in lines:print(line.replace("\n","").replace("\r",""))result = translate(line)#'zh-CHS', 'ja')if result:out =  out + line.replace("\n","").replace("\r","") + " " + result + "\n"#print(out)#print('翻译结果:\n', result)f.close()with open(path[:-4] + "_已翻译.txt",'w',encoding='utf-8') as fout:fout.write(out)fout.close()print(out)print("已完成!")

调用方法如下:

把代码保存到.py文件中,运行.py文件,输入需要翻译的txt文本路径地址,如下图所示:

然后翻译后的txt,也会出现在之前的文本文件目录里,如下图: 

 上图中"1.txt"就是输入的英文文档,"1_已翻译.txt"就是翻译后的文档。

这篇关于Python爬虫系列-有道批量翻译英文单词-注音标版的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/565563

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快