Python + BERTで英文のPDFをレイアウトを維持したまま翻訳してみる
/
Python + BERTで英文のPDFをレイアウトを維持したままの翻訳を実施します．
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)
全国630店舗以上！もみほぐし・足つぼ・ハンドリフレ・クイックヘッドのリラクゼーション店【りらくる】
# Google Colabのファイル構成
プロジェクトディレクトリはpdf_translate_bertとしています．度々，省略しています．
pdf_translate
├── /pdf_translate_bert
│ ├── analyze_pdf_text_bert.py <- pdfの解析
│ ├── translate_csv_bert.py <- 翻訳前後をcsv化
│ ├── embed_annots.py <- pdfにコメ追加
│ ├── pdf_translate_bert.sh <- 実行スクリプト
│ ├── AttentionGAN.pdf <- 翻訳前
│ ├── JA_BERT_AttentionGAN.pdf <- 翻訳後
│ ├── AttentionGAN.pdf.bert.csv <- 翻訳前後csv
│ ├── AttentionGAN.pdf.bert.json <- pdf情報のjson
│ └── (省略)
└── pdf_translate_bert.ipynb <- 実行用ノートブック
# Google Driveと連携
Google ColabとGoogle Driveを連携させて，作業ディレクトリを作成します．
# Google ColabとGoogle Driveを連携
from google.colab import drive
drive.mount('/content/drive')
%%bash
# ディレクトリの移動
cd /content/drive/My\ Drive/PDF_transrate
# 作業ディレクトリの作成
mkdir pdf_translate_bert
# 作業ディレクトリへ移動
%cd /content/drive/My\ Drive/PDF_transrate/pdf_translate_bert
!ls
# モジュールのインストール
下記のコマンドでモジュールをインストールします．
!pip install -U easynmt
!pip install fitz
!pip install PyMuPDF==1.16.14
# 翻訳実行
# pythonスクリプトの作成
下記のコードでpythonスクリプトを作成します．
# 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)
# 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)
%%writefile embed_annots.py
import sys
import fitz
import csv
import json
from tqdm import tqdm
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]
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)
# 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 pdf_translate_bert.sh
#!/bin/sh
python ./analyze_pdf_text_bert.py "$1"
python ./translate_csv_bert.py "$1.bert.csv"
python ./embed_annots.py "$1.bert.json" "JA_BERT_$1"
# rm "$1.csv" "$1.json"
# 翻訳実行
下記のコマンドで翻訳を実行します．
!sh pdf_translate_bert.sh AttentionGAN.pdf
# まとめ
Python + BERTで英文のPDFをレイアウトを維持したままの翻訳を実施しました．
# 参考サイト
mima3/pdf_translate (opens new window)
UKPLab/EasyNMT (opens new window)
PythonでPDFのレイアウトを維持したまま翻訳してみる (opens new window)
yta-git/pdf_translate (opens new window)
