翻译电子书教程02：使用Python整理文本

上回 我们讲到，想自动翻译外文电子书的第一步，是把书转换为htmlz的格式，也就是html文档的压缩包，在命令行使用unzip解压，可以得到图片文件夹、装饰文件，以及html文本文档

这回，目标是从html文档提取纯文本，传送到搜索引擎翻译。最简单的方式是：Ctrl + A 全选html文字，ctrl + C粘贴到txt文档。

但这样有两个问题：

1、如果html文档较大容易死机； 2、无法自动化，必须人工处理。

为解决这些问题，我们选用人生苦短缓解器的Python处理，开始之前假设你已装好了Python环境。

我们以PyCharm环境举例，如果你装其他任何编译器都行，效果一样，设置可以跳过中间的配置步骤。

完成准备工作后我们开始：

打开命令行，创建Python脚本

命令行是我们对操作系统发号施令的地方，多数程序员们喜欢命令行，因为所有操作不用鼠标，而且可以批量自动化处理多行命令。

脚本英文是script，原义指：手稿，以前指戏剧或电影的底稿。戏剧的script是控制人的，而计算机上的script则是控制计算机的。区别于那些二进制文件（如windows上的.exe文件），脚本仅指可以直接运行的文本文件。

打开上回 已经做的好文件夹：

右下角点击右键，在弹出菜单选择在终端打开：

在命令行输入echo > proc_html.py：

于是，在这个文件夹内出现一个名为proc_html的Python脚本文件：

配置Python环境路径

右键proc_html.py，以你的Python编译器打开，这里以PyCharm举例：左侧是目录区，右侧是脚本编辑区。

初次使用，需要在右下角Configure a Python interpreter设置环境目录，如果不慎误点取消，还可以点击右下角Event Log继续选择：

在弹出的菜单中选择：Interpreter Settings：

在弹出的菜单中选择Project Structure，删除原路径，

再添加新路径：/Users/tangqiang/doraemonj/docs/calibre/Karen_Ho/Liquidated，点击右下角OK：

新路径可以在原路径文件夹框右下角点选拷贝为路径名称复制得到：

完成后点击PyCharm环境下方Python Console，若无红字报错，则配置成功：

安装BeautifulSoup

点击PyCharm环境下方Terminal按钮，在提示符后输入：pip3 install BeautifulSoup4

如果系统提示DEPRECATION而无法安装，就使用pip install --upgrade pip命令在Terminal中更新下。那么，可以继续pip3 install BeautifulSoup4命令安装BeautifulSoup4。

BeautifulSoup4（简称bs4）包是处理html文档的超级工具，有了它相当于你属下凭空多了1000人的文本处理团队，随时等你下命令。

输入代码

 1import bs4
 2
 3# 设定：路径、html文件名和最终输出的txt文件名
 4path = r"/Users/tangqiang/doraemonj/docs/calibre/Karen_Ho/Liquidated/" #注意路径名最后有一个斜杠
 5html_file = "index.html"
 6txt_file = "en.txt"
 7
 8# 读取index.html文件
 9with open(path + html_file, "r") as f:
10    txt = f.readlines()         # 以段落形式，每段一行
11
12# 逐段处理带有html标签的文本，写入txt文件，准备上传deepL翻译
13for el in txt:
14    # 导入带有html标签的文本，交由bs4包处理
15    soup = bs4.BeautifulSoup(el, features='lxml')
16
17    # 去除html文件中的span标签
18    for span in soup.find_all("span"):
19        span.unwrap()
20
21    # 提取标签中的纯文本，逐段写入txt文件
22    for para in soup.strings:
23        with open(path + txt_file, "a") as f:
24            f.write(para)
25            f.write("\n")
26

运行代码：PyCharm环境中全选代码，mac系统用户按快捷键：ctrl + option + E

即在指定文件夹中出现txt文件，可直接上传deepL翻译：

附：

1、Python脚本文件：proc_html.py

2、电子书纯英文文本：en.txt