最近看到一个文章，表明边睡边学真的可行，只要睡觉的时候听一些学过的东西，就能躺着刷技能熟练度，于是我寻思着把论文转成音频，晚上睡觉的时候听，既能催眠又能啥都不干躺着刷熟练度。这里记录下如何实现。
本文主要使用Python3来实现，简单易上手，代码全部开源，让大家也可以跟我一起007（bushi）
如果不想了解技术细节，只想直接拿来用，可以直接跳过代码编写部分，直达最后代码使用部分。如果你觉得好用，希望能够给我一个赞（能打赏更好），也欢迎去github发表意见建议。
开发环境
- Windows 10
- Sublime Text 3
- 谷歌gTTS模块
- pdfminer
准备
在网上搜了下，没有现成的pdf转mp3的方法，于是大致思路为：
- pdf文字提取
- 文字转音频
以此实现pdf转MP3
这里使用pdfminer实现文字提取，首先安装依赖：
pip install pdfminer4k
此外，还需要安装谷歌gTTS模块：
pip install gTTS
代码编写
pdf文字提取
编写代码（注意要对提取的文字做处理，不然结果会比较杂乱）：
def pdfread(pdfPath):
with open(pdfPath, 'rb') as fp:
try:
print(pdfPath)
#用文件对象创建一个PDF文档分析器
parser = PDFParser(fp)
#创建一个PDF文档
doc = PDFDocument()
#分析器和文档相互连接
parser.set_document(doc)
doc.set_parser(parser)
#提供初始化密码，没有默认为空
doc.initialize()
#检查文档是否可以转成TXT，如果不可以就忽略
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
else:
#创建PDF资源管理器，来管理共享资源
rsrcmagr = PDFResourceManager()
#创建一个PDF设备对象
laparams = LAParams()
#将资源管理器和设备对象聚合
device = PDFPageAggregator(rsrcmagr, laparams=laparams)
#创建一个PDF解释器对象
interpreter = PDFPageInterpreter(rsrcmagr, device)
allContent = ''
last_para = ''
result = ''
for page in doc.get_pages():
interpreter.process_page(page)
#接收该页面的LTPage对象
layout = device.get_result()
#这里的layout是一个LTPage对象 里面存放着page解析出来的各种对象
#一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些对像
#想要获取文本就得获取对象的text属性
for x in layout:
try:
if(isinstance(x, LTTextBoxHorizontal)):
result = x.get_text()
# 去掉pdf文件读取的各种换行符
result = result.replace('\n', '')
# 去掉参考文献引用
result = re.sub('\[(\d+\,* ?-?)+\]', '', result)
# 无序列表换行
result = result.replace('∙', '\n∙')
# 去掉参考文献
if re.findall('^references?', last_para.lower().replace(' ', '')) != [] or re.findall('^references?', result.lower().replace(' ', '')) != []:
return allContent
# 去掉页脚页码页眉以及内容过少的表格
if len(result) > 5 and re.findall('(^[0-9])|(^(research )?article)|(unclassified)|(www.)|(accepted (from|manuscript))|(proceedings of)|(vol.)|(volume \d)|(https?://)|(^ieee)|(sciencedirect)|(\d{4}\)$)|(\d{1,4} – \d{1,4}$)|(cid:)|(^authorized licensed use limited to:)|©|(publication date)|((et al.)$)',re.split('\s+$',result.lower())[0])==[]:
allContent = allContent + '\n' + result
# print(result)
except Exception as e:
print(e)
last_para = result
return allContent
except Exception as e:
print('文档读取失败：' + str(e))
文字转音频
编写代码，这里的参数lang表示文字语言，text即为要转化的文字：
tts = gTTS(text=result, lang='en')
tts.save("test.mp3")
主函数
主函数最终为：
if __name__ == '__main__':
pdfPath = 'a37-islam.pdf' # 需要转换的同一目录下的文件名
result = pdfread(pdfPath)
print(result)
tts = gTTS(text=result, lang='en')
tts.save("test.mp3")
使用
首先先下载代码
然后修改代码中的主函数内的 pdfPath参数为自己想要转换的pdf文档的路径，然后直接在控制台内使用命令运行程序：
python pdf2audio.py
然后静静等候，等程序运行完毕，就能看到和代码同级目录下出现了一个test.mp3，即为生成的音频：
代码运行
生成的音频
注意：
- 程序运行过程中不能断网
- 程序运行时间较长（出bug会直接报错，程序没有写死循环，请放心食用），请耐心等候
- 论文越长，程序运行时间越久，生成的音频也越大
网友评论