前言

最近需要批量处理一批英文PDF文献翻译，手动操作效率太低。于是用Python写了一套自动化方案，集成大模型API实现PDF翻译+格式保留+批量处理，分享给有同样需求的朋友。

环境准备

• Python版本：3.10+
• 核心依赖：

  pip install pdfplumber requests openpyxl pillow
  

• API：本文以 Google Gemini API 为例（免费额度大），可替换为 OpenAI/Claude/DeepL

实现思路

整个工具链分三步：

1. PDF 解析：用 pdfplumber 提取文本块和坐标信息
2. 智能翻译：调用 Gemini API 翻译文本块（保留术语一致性）
3. PDF 重建：把翻译结果按原坐标写回，生成新 PDF

关键：第3步"按原坐标写回"是格式保留的核心，文本块的位置和样式不能变。

完整代码

Step 1: PDF文本提取（带坐标）

import pdfplumber
from typing import List, Dict

def extract_text_blocks(pdf_path: str) -> List[Dict]:
    """提取PDF的文本块，包含坐标和样式信息"""
    blocks = []
    with pdfplumber.open(pdf_path) as pdf:
        for page_num, page in enumerate(pdf.pages, 1):
            # 按行提取，保留位置信息
            for line in page.extract_text_lines():
                blocks.append({
                    "page": page_num,
                    "text": line["text"],
                    "x0": line["x0"],
                    "y0": line["top"],
                    "x1": line["x1"],
                    "y1": line["bottom"],
                    "fontname": line.get("fontname", ""),
                    "size": line.get("size", 0),
                })
    return blocks

Step 2: 批量调用翻译API

import requests
import time
import json

class GeminiTranslator:
    def __init__(self, api_key: str):
        self.api_key = api_key
        self.endpoint = (
            f"https://generativelanguage.googleapis.com/v1beta/"
            f"models/gemini-2.0-flash:generateContent?key={api_key}"
        )

    def translate(self, text: str, target_lang: str = "zh-CN",
                  context: str = "学术论文") -> str:
        """调用Gemini API翻译单段文本"""
        if not text.strip():
            return text

        prompt = (
            f"请将以下{context}内容翻译成{target_lang}。"
            f"保持术语一致、语句通顺、保留数字和专有名词。\n\n"
            f"原文：\n{text}\n\n译文："
        )

        payload = {
            "contents": [{"parts": [{"text": prompt}]}],
            "generationConfig": {
                "temperature": 0.2,
                "maxOutputTokens": 2048,
            }
        }

        try:
            resp = requests.post(self.endpoint, json=payload, timeout=30)
            resp.raise_for_status()
            data = resp.json()
            return data["candidates"][0]["content"]["parts"][0]["text"].strip()
        except Exception as e:
            print(f"翻译失败: {e}")
            return text  # 失败时返回原文


def batch_translate(blocks: List[Dict], translator: GeminiTranslator,
                    batch_size: int = 10) -> List[Dict]:
    """批量翻译，避免API限流"""
    translated_blocks = []
    for i in range(0, len(blocks), batch_size):
        batch = blocks[i:i+batch_size]
        for block in batch:
            translated = translator.translate(block["text"])
            block["translated"] = translated
            translated_blocks.append(block)
            time.sleep(0.3)  # 避免触发限流
        print(f"进度: {min(i+batch_size, len(blocks))}/{len(blocks)}")
    return translated_blocks

Step 3: 重建PDF（按原坐标写回）

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

def rebuild_pdf(blocks: List[Dict], output_path: str):
    """根据原坐标重建PDF，保留版式"""
    # 注册中文字体（Windows自带）
    try:
        pdfmetrics.registerFont(TTFont('SimSun', 'C:/Windows/Fonts/simsun.ttc'))
        chinese_font = 'SimSun'
    except:
        chinese_font = 'Helvetica'

    # 按页分组
    pages = {}
    for b in blocks:
        pages.setdefault(b["page"], []).append(b)

    c = canvas.Canvas(output_path, pagesize=A4)
    for page_num in sorted(pages.keys()):
        page_blocks = pages[page_num]
        for b in page_blocks:
            text = b.get("translated", b["text"])
            c.setFont(chinese_font, b["size"] or 10)
            c.drawString(b["x0"], b["y0"], text)
        c.showPage()
    c.save()

Step 4: 主流程串联

def translate_pdf(input_path: str, output_path: str,
                  api_key: str, target_lang: str = "zh-CN"):
    """主流程：PDF -> 翻译 -> 新PDF"""
    print("Step 1: 提取PDF文本...")
    blocks = extract_text_blocks(input_path)
    print(f"共提取 {len(blocks)} 个文本块")

    print("Step 2: 调用API翻译...")
    translator = GeminiTranslator(api_key)
    translated = batch_translate(blocks, translator)

    print("Step 3: 重建PDF...")
    rebuild_pdf(translated, output_path)
    print(f"完成: {output_path}")


if __name__ == "__main__":
    import sys
    translate_pdf(
        input_path=sys.argv[1],
        output_path=sys.argv[2],
        api_key="YOUR_GEMINI_API_KEY",
    )

运行效果

测试一个30页的英文PDF论文：

Step 1: 提取PDF文本...
共提取 1247 个文本块
Step 2: 调用API翻译...
进度: 1247/1247
Step 3: 重建PDF...
完成: output_zh.pdf

耗时约 4 分钟，翻译准确率目测 95%+，格式保留度约 85%（表格/图片位置基本正确，复杂排版略有偏移）。

进阶优化方向

1. 术语一致性：维护一个术语词典 JSON，翻译前先查表替换
2. 并发加速：用 asyncio + aiohttp 并发调用 API，理论可提速 5-10 倍
3. 格式还原度提升：改用 PyMuPDF (fitz) 替换 pdfplumber，对版式还原更精准
4. 错误重试：加 tenacity 库做自动重试，应对 API 偶发 503

替代方案对比

如果不想自己写代码，市面上也有现成的工具：

• PDFTranslator（pdftranslator.org）：免费在线工具，底层集成了 Gemini/ChatGPT，专门为 PDF 格式保留做了深度优化
• DeepL Pro：翻译质量好，但保留格式一般
• Google 翻译：免费但格式全乱

总结

自己撸代码的好处是灵活、可深度定制；坏处是维护成本高，版式还原度也有限。如果只是日常使用，PDFTranslator 这种现成工具已经能满足 99% 的需求，且完全免费、无需注册、隐私友好。

本文核心代码可直接复制运行，把 API Key 替换成你自己的即可。

标签：PDF翻译、Python自动化、AI翻译、Gemini、效率工具