Google Colab + seleniumでarxivの論文をアブストも含めてダウンロードし,翻訳も実施する(2022/02/25修正版)
Google Colab + seleniumでarxivの論文をアブストも含めてダウンロードし,翻訳も実施する (opens new window)において,arxiv論文のダウンロード・翻訳のコードを修正します.
今回はGoogle ColabとGoogle Driveを連携させて,notebook形式で実行してます.
Google Colaboratory(以下Google Colab)は、Google社が無料で提供している機械学習の教育や研究用の開発環境です。開発環境はJupyter Notebookに似たインターフェースを持ち、Pythonの主要なライブラリがプリインストールされています。
引用元:Google Colabの使い方 (opens new window)
# embed_annots.pyの修正
# 数字のみ・アルファベットのみのテキスト
数字のみ・アルファベットのみであるテキストを記述しないようにします.
import unicodedata
def is_japanese(string):
for ch in string:
name = unicodedata.name(ch)
if "CJK UNIFIED" in name \
or "HIRAGANA" in name \
or "KATAKANA" in name:
return True
return False
print(is_japanese('号'))
# True
print(is_japanese('42号'))
# False
# ほとんど数字のテキスト
図中の場合で数字のみのテキストだが,誤翻訳されて若干日本語が追記されるときがあります.(42→42号)
for text_block in tqdm(json_info["text_block"]):
txt = text_block['text'].strip()
if txt in string_info:
txt = string_info[txt]
# 日本語を含むか?
if not is_japanese(txt):
continue
# ほぼ数字
num_len = sum([txt.count(strn) for strn in '01234567890'] )
if (len(txt) - num_len) < 3:
continue
# print(txt)
page = doc[text_block['page']]
page.addTextAnnot(
(text_block['x1'] - 20, text_block['y1'] - 20),
txt
)
else:
print("翻訳に失敗:", text_block['text'])
# スクリプト
# ライブラリのインストール
!apt-get update
!apt install chromium-chromedriver
!cp /usr/lib/chromium-browser/chromedriver /usr/bin
!pip install selenium
!pip install -U easynmt
!pip install fitz
!pip install PyMuPDF==1.16.14
# arXivの論文をダウンロード(arxiv_download.py)
下記のコードでarXivの論文をダウンロードします.
# translate_csv.pyの書き込み
%%writefile arxiv_download.py
import sys
import os
import urllib.request
from selenium import webdriver
from easynmt import EasyNMT
# Google Colab上でselenium.webdriverの起動
def webdriver_colab_start():
options = webdriver.ChromeOptions()
options.add_argument('--headless')
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
driver = webdriver.Chrome('chromedriver',options=options)
return driver
def main(url):
# selenium.webdriverの起動(Google Colab)
driver = webdriver_colab_start()
# Selenium 経由でブラウザを操作する
argvs = sys.argv
url = "https://arxiv.org/abs/" + argvs[1].replace('_', '.')
driver.get(url)
print(driver.current_url)
# 出力ディレクトリ作成
os.makedirs("./arxiv/{0}/".format(argvs[1]), exist_ok=True)
# タイトル・アブストの書き込み
title = driver.find_element_by_css_selector('.title.mathjax').text # タイトル
abstract = driver.find_element_by_css_selector('.abstract.mathjax').text # アブスト
f = open("./arxiv/{0}/abstract.txt".format(argvs[1]), 'w', encoding='utf-8') # txt生成
# 書き込み
f.write('【タイトル_英語】\n')
f.write('{}\n\n'.format(title))
f.write('【アブスト_英語】\n')
f.write('{}\n\n\n'.format(abstract))
# 翻訳の書き込み
# モデルの読み込み
model = EasyNMT('mbart50_m2m')
f.write('【タイトル_日本語】\n')
ja_title = model.translate(title, target_lang='ja')
f.write('{}\n\n'.format(ja_title))
f.write('【アブスト_日本語】\n')
ja_abstract = model.translate(abstract, target_lang='ja')
f.write('{}\n'.format(ja_abstract))
f.close() # 閉じる
# 論文pdfダウンロード
pdf_url = driver.find_element_by_css_selector('.abs-button.download-pdf').get_attribute("href")
urllib.request.urlretrieve(pdf_url, "./arxiv/{0}/{0}.pdf".format(argvs[1]))
if __name__ == '__main__':
main(sys.argv)
# pdfのテキストを抽出(analyze_pdf_text_bert.py)
下記のコードでpdfのテキストを抽出します.
# analyze_pdf_text_bert.pyの書き込み
%%writefile analyze_pdf_text_bert.py
import sys
import fitz
import csv
import json
from tqdm import tqdm
def main(input_path):
argvs = sys.argv
argc = len(argvs)
if argc != 2:
print("Usage #python %s [PDFパス]" % argvs[0])
exit()
input_path = argvs[1]
doc = fitz.open(input_path)
list_string = []
result = []
pno = 0
for page in tqdm(doc):
blocklist = page.getText('blocks')
for block in blocklist:
r = fitz.Rect(block[0], block[1], block[2], block[3])
txt = block[4].replace('\n', '').replace('\r', '')
result.append({
'page' : pno,
'x0' : block[0],
'y0' : block[1],
'x1' : block[2],
'y1' : block[3],
'text' : txt,
'block_type' : block[5],
'block_no' : block[6],
})
if not txt in list_string:
list_string.append(txt)
pno += 1
string_path = '{}.bert.csv'.format(input_path)
with open(string_path, 'w', encoding='utf8', newline="") as fp:
writer = csv.writer(fp)
for s in list_string:
writer.writerow([s, 'todo'])
data = {
"input_path" : input_path,
"string_path" : string_path,
"text_block" : result
}
with open('{}.bert.json'.format(input_path), mode='w', encoding='utf8') as fp:
json.dump(data, fp, sort_keys=True, indent=4, ensure_ascii=False)
if __name__ == '__main__':
main(sys.argv)
# 翻訳テキストをcsvに格納(translate_csv.p)
下記のコードで翻訳テキストをcsvに格納します.
# translate_csv.pyの書き込み
%%writefile translate_csv_bert.py
import sys
import time
import random
import pandas as pd
from easynmt import EasyNMT
# モデルの読み込み
model = EasyNMT('mbart50_m2m')
def main(input_path):
argvs = sys.argv
argc = len(argvs)
if argc != 2:
print("Usage #python %s [PDFパス]" % argvs[0])
exit()
input_path = argvs[1]
df = pd.read_csv(input_path, names=('org_text', 'convert_text'))
for i in range(len(df)):
org_text = df['org_text'][i].replace('.', '. ')
# print(org_text)
df['convert_text'][i] = model.translate(org_text, target_lang='ja')
df.to_csv(input_path, header=False, index=False)
if __name__ == '__main__':
main(sys.argv)
# pdfに翻訳結果を注釈で追加(embed_annots.py)
下記のコードでpdfに翻訳結果を注釈で追加します.
%%writefile embed_annots.py
import sys
import fitz
import csv
import json
from tqdm import tqdm
import unicodedata
def is_japanese(string):
for ch in string:
name = unicodedata.name(ch)
if "CJK UNIFIED" in name \
or "HIRAGANA" in name \
or "KATAKANA" in name:
return True
return False
def main(argvs):
"""メイン処理"""
argvs = sys.argv
argc = len(argvs)
if argc != 3:
print("Usage #python %s [JSONパス] [出力パス]" % argvs[0])
exit()
json_path = argvs[1]
out_path = argvs[2]
with open(json_path, mode='r', encoding='utf8') as fp:
json_info = json.load(fp)
string_path = json_info['string_path']
string_info = {}
with open(string_path, 'r', encoding='utf8', newline="\n") as fp:
reader = csv.reader(fp)
for row in reader:
string_info[row[0].strip()] = row[1]
doc = fitz.open(json_info['input_path'])
for text_block in tqdm(json_info["text_block"]):
txt = text_block['text'].strip()
if txt in string_info:
txt = string_info[txt]
# 日本語を含むか?
if not is_japanese(txt):
continue
# ほぼ数字
num_len = sum([txt.count(strn) for strn in '01234567890'] )
if (len(txt) - num_len) < 3:
continue
# print(txt)
page = doc[text_block['page']]
page.addTextAnnot(
(text_block['x1'] - 20, text_block['y1'] - 20),
txt
)
else:
print("翻訳に失敗:", text_block['text'])
doc.save(out_path, garbage=1, clean=1, deflate=1)
if __name__ == '__main__':
main(sys.argv)
# 翻訳結果をテキストボックスで上書き(embed_textbox.py)
下記のコードでpdfに翻訳結果をテキストボックスで上書きします.
%%writefile embed_textbox.py
import sys
import fitz
import csv
import json
import pandas as pd
from tqdm import tqdm
import unicodedata
def is_japanese(string):
for ch in string:
name = unicodedata.name(ch)
if "CJK UNIFIED" in name \
or "HIRAGANA" in name \
or "KATAKANA" in name:
return True
return False
def main(argvs):
"""メイン処理"""
argvs = sys.argv
argc = len(argvs)
if argc != 3:
print("Usage #python %s [JSONパス] [出力パス]" % argvs[0])
exit()
json_path = argvs[1]
out_path = argvs[2]
with open(json_path, mode='r', encoding='utf8') as fp:
json_info = json.load(fp)
string_path = json_info['string_path']
string_info = {}
with open(string_path, 'r', encoding='utf8', newline="\n") as fp:
reader = csv.reader(fp)
for row in reader:
string_info[row[0].strip()] = row[1]
doc = fitz.open(json_info['input_path'])
# 画像部を判定
img_list = []
for text_block in tqdm(json_info["text_block"]):
txt = text_block['text'].strip()
if txt in string_info:
txt = string_info[txt]
txt = txt.replace('•', '・')
page = doc[text_block['page']]
# 空白以外むし
if len(txt)!=0 or len(txt)!=txt.count(' '):
continue
# 図表らしいところを抽出
img_list.append({
'page' : text_block['page'],
'x0' : text_block['x0'],
'y0' : text_block['y0'],
'x1' : text_block['x1'],
'y1' : text_block['x1']
})
img_df = pd.DataFrame(img_list)
# 日本語訳直打ち
fsize_list = []
for text_block in tqdm(json_info["text_block"]):
img_flag = 0
txt = text_block['text'].strip()
if txt in string_info:
txt = string_info[txt]
txt = txt.replace('•', '・').replace('ー', '')
# print(txt)
page = doc[text_block['page']]
rect = fitz.Rect(text_block['x0'], text_block['y0'], text_block['x1'], text_block['y1'])
# 中心
csnter_x = (text_block['x0'] + text_block['x1'])/2
csnter_y = (text_block['y0'] + text_block['y1'])/2
'''除外する'''
# 図表とかぶるもの
imgdf_len = 0
if len(img_df) > 0:
img_df2 = img_df[img_df['page']==text_block['page']].reset_index(drop=True)
imgdf_len = len(img_df2)
if imgdf_len > 0:
for num in range(len(img_df2)):
a1 = csnter_x - img_df2['x0'][num] > 0
a2 = - csnter_x + img_df2['x1'][num] > 0
a3 = csnter_y - img_df2['y0'][num] > 0
a4 = - csnter_y + img_df2['y1'][num] > 0
# 中心がある場合
if (a1 * a2 * a3 * a4) > 0:
img_flag = 1
break
# 日本語を含むか?
if not is_japanese(txt):
fsize_list.append(999)
continue
# ほぼ数字
num_len = sum([txt.count(strn) for strn in '01234567890'] )
if (len(txt) - num_len) < 3:
fsize_list.append(999)
continue
if img_flag:
fsize_list.append(999)
continue
# 小さすぎる字は追加しない
# 認識できない文字は追記しない
rc = page.insertTextbox(rect, txt,
fontsize=6,
fontname="Mincho",
fontfile='ipaexm.ttf',
align = 0)
if len(txt)==0 or rc<0 or len(txt)==txt.count(' '):
fsize_list.append(6)
continue
# 文字を追記
page.drawRect(rect,color=(.25,1,0.25))
page.drawRect(rect,fill=(1, 1, 1))
fsize = 30
rc = -1
while rc < 0:
rc = page.insertTextbox(rect, txt,
fontsize=fsize,
fontname="Mincho",
fontfile='ipaexm.ttf',
align = 0)
fsize -= 0.2
fsize_list.append(fsize)
else:
print("翻訳に失敗:", text_block['text'])
# PDF保存
doc.save(out_path, garbage=1, clean=1, deflate=1)
# CSV保存
df_lang = pd.read_json(json_path)
df_lang['font_size'] = fsize_list
df_lang.to_csv(string_path.replace('.pdf.bert.csv', '_fontsize.pdf.bert.csv'), index=False)
if __name__ == '__main__':
main(sys.argv)
# シェルスクリプトファイルの作成
下記のコマンドでシェルスクリプトファイルの作成します.
# pdf_translate.shの書き込み
%%writefile arxiv_download_translate.sh
# !/bin/sh
python ./arxiv_download.py "$1"
python ./analyze_pdf_text_bert.py "./arxiv/$1/$1.pdf"
python ./translate_csv_bert.py "./arxiv/$1/$1.pdf.bert.csv"
python ./embed_annots.py "./arxiv/$1/$1.pdf.bert.json" "./arxiv/$1/JA_COMMENT_$1.pdf"
python ./embed_textbox.py "./arxiv/$1/$1.pdf.bert.json" "./arxiv/$1/JA_TEXTBOX_$1.pdf"
# rm "./arxiv/$1/$1.pdf.bert.csv" "./arxiv/$1/$1.pdf.bert.json"
# arxivのダウンロードと翻訳の実行
下記のコードでarxivのダウンロードと翻訳の実行します.
!sh arxiv_download_translate.sh '1804.04732'
# まとめ
2022/02/25時点でのGoogle Colab上でseleniumを使ってarxivの論文をアブストも含めダウンロードと翻訳を実行しました.