38 Python批量翻译英语单词

38 Python批量翻译英语单词

用途: 对批量的英语文本,生成英语-汉语翻译的单词本,提供Excel下载

本代码实现:

  1. 提供一个英文文章URL,自动下载网页;
  2. 实现网页中所有英语单词的翻译;
  3. 下载翻译结果的Excel

涉及技术:

  1. pandas的读取csv、多数据merge、输出Excel
  2. requests库下载HTML网页
  3. BeautifulSoup解析HTML网页
  4. Python正则表达式实现英文分词

1. 读取英语-汉语翻译词典文件

词典文件来自:https://github.com/skywind3000/ECDICT 使用步骤:

  1. 下载代码打包:https://github.com/skywind3000/ECDICT/archive/master.zip
  2. 解压master.zip,然后解压其中的stardict.csv文件
import pandas as pd # 注意:stardict.csv的地址需要替换成你自己的文件地址 df_dict = pd.read_csv("D:/tmp/ECDICT-master/stardict.csv") d:\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3063: DtypeWarning: Columns (11) have mixed types.Specify dtype option on import or set low_memory=False. interactivity=interactivity, compiler=compiler, result=result) df_dict.shape (3402564, 13) df_dict.sample(10).head()
.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>
word phonetic definition translation pos collins oxford tag bnc frq exchange detail audio
3370509 WWDH NaN NaN [网络] 淇楄壋 NaN NaN NaN NaN NaN NaN NaN NaN NaN
518014 chauhtan (chotan) NaN NaN 卓丹 NaN NaN NaN NaN NaN NaN NaN NaN NaN
389953 breviarist NaN NaN [网络] 短笛师 NaN NaN NaN NaN NaN NaN NaN NaN NaN
951231 electric-vehicle NaN NaN abbr. “EV”的变体;“electric car”的变体\n[网络] 电动汽车 NaN NaN NaN NaN NaN NaN NaN NaN NaN
91258 Albionian æl'biәniәn NaN [地质]阿尔比翁期 NaN NaN NaN NaN 0.0 0.0 NaN NaN NaN
# 把word、translation之外的列扔掉 df_dict = df_dict[["word", "translation"]] df_dict.head() <div> <style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </style> <table border="1" class="dataframe"> <thead> <tr style="text-align: right;"> <th></th> <th>word</th> <th>translation</th> </tr> </thead> <tbody> <tr> <th>0</th> <td>'a</td> <td>na. 一\nn. 英文字母表的第一字母;【乐】A音\nart. 冠以不定冠词主要表示类别\...</td> </tr> <tr> <th>1</th> <td>'A' game</td> <td>[网络] 游戏;一个游戏;一局</td> </tr> <tr> <th>2</th> <td>'Abbāsīyah</td> <td>[地名] 阿巴西耶 ( 埃 )</td> </tr> <tr> <th>3</th> <td>'Abd al Kūrī</td> <td>[地名] 阿卜杜勒库里岛 ( 也门 )</td> </tr> <tr> <th>4</th> <td>'Abd al Mājid</td> <td>[地名] 阿卜杜勒马吉德 ( 苏丹 )</td> </tr> </tbody> </table> </div> ### 2. 下载网页,得到网页内容 ```python import requests # Pandas官方文档中的一个URL url = "https://pandas.pydata.org/docs/user_guide/indexing.html" html_cont = requests.get(url).text html_cont[:100] '\n\n<!DOCTYPE html>\n\n<html xmlns="http://www.w3.org/1999/xhtml">\n <head>\n <meta charset="utf-8" />'

3. 提取HTML的正文内容

即:去除HTML标签,获取正文

from bs4 import BeautifulSoup soup = BeautifulSoup(html_cont) html_text = soup.get_text() html_text[:500] '\n\n\nIndexing and selecting data — pandas 1.0.1 documentation\n\n\n\n\n\n\n\n\n\n\n\n\nMathJax.Hub.Config({"tex2jax": {"inlineMath": [["$", "$"], ["\\\\(", "\\\\)"]], "processEscapes": true, "ignoreClass": "document", "processClass": "math|output_area"}})\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nHome\n\n\nWhat\'s New in 1.0.0\n\n\nGetting started\n\n\nUser Guide\n\n\nAPI reference\n\n\nDevelopment\n\n\nRelease Notes\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nIO tools (text, CSV, HDF5, â\x80¦)\n\n\nIndexing and selecting data\n\n\nMultiIndex / advanced indexing\n\n\nMerge, join, a'

4. 英文分词和数据清洗

# 分词 import re word_list = re.split("""[ ,.\(\)/\n|\-:=\$\["']""",html_text) word_list[:10] ['', '', '', 'Indexing', 'and', 'selecting', 'data', '—', 'pandas', '1'] # 读取停用词表,从网上复制的,位于当前目录下 with open("./datas/stop_words/stop_words.txt") as fin: stop_words=set(fin.read().split("\n")) list(stop_words)[:10] ['', 'itself', 'showed', 'throughout', 'pointed', 'n', 'against', 'name', 'none', 'ran'] # 数据清洗 word_list_clean = [] for word in word_list: word = str(word).lower().strip() # 过滤掉空词、数字、单个字符的词、停用词 if not word or word.isnumeric() or len(word)<=1 or word in stop_words: continue word_list_clean.append(word) word_list_clean[:20] ['indexing', 'selecting', 'data', 'pandas', 'documentation', 'mathjax', 'hub', 'config', 'tex2jax', 'inlinemath', '\\\\', '\\\\', ']]', 'processescapes', 'true', 'ignoreclass', 'document', 'processclass', 'math', 'output_area']

5. 分词结果构造成一个DataFrame

df_words = pd.DataFrame({ "word": word_list_clean }) df_words.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>
word
0 indexing
1 selecting
2 data
3 pandas
4 documentation
df_words.shape (4915, 1) # 统计词频 df_words = ( df_words .groupby("word")["word"] .agg(count="size") .reset_index() .sort_values(by="count", ascending=False) ) df_words.head(10)
.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>
word count
620 df 161
659 dtype 87
1274 true 86
593 dataframe 80
1038 pd 75
917 loc 72
970 nan 72
721 false 58
914 list 58
835 indexing 53

6. 和单词词典实现merge

df_merge = pd.merge( left = df_dict, right = df_words, left_on = "word", right_on = "word" ) df_merge.sample(10)
.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>
word translation count
658 team n. 队, 组\nvt. 把马(牛)套在同一辆车上, 把...编成一组\nvi. 驾驶卡车, 协作 3
523 providing conj. 以...为条件, 假如 1
394 lines n. 台词 1
118 columns 塔器 49
136 conforms v. 遵守( conform的第三人称单数 ); 顺应; 相一致; 相符合 1
529 python n. 大蟒, 巨蟒\n[计] Python 程序设计语言;人生苦短,我用 Python 26
185 determine v. 决定, 决心 1
285 forward a. 向前的, 早的, 迅速的, 在前的, 进步的\nvt. 促进...的生长, 转寄, 运... 1
49 arguments n. 参数 3
564 reported a. 报告的;据报道的 1
df_merge.shape (718, 3)

7. 存入Excel

df_merge.to_excel("./38. batch_chinese_english.xlsx", index=False)

后续升级:

  1. 可以提供txt/excel/word/pdf的批量输入,生成单词本;
  2. 可以做成网页、微信小程序的形式,在线访问和使用
  3. 用户可以标记或上传“已经认识的词语”,每次过滤掉

本文使用 文章同步助手 同步

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,490评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,581评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 165,830评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,957评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,974评论 6 393
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,754评论 1 307
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,464评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,357评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,847评论 1 317
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,995评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,137评论 1 351
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,819评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,482评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,023评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,149评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,409评论 3 373
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,086评论 2 355

推荐阅读更多精彩内容