
作者:咕隆先森
来源:Python 技术
工作上经常需要与外国友人邮件沟通,奈何工作电脑没有安装有道词典一类的翻译软件,结合自己的需要,自己撸一个桌面翻译神器。
基本思路:基于PySimpleGUI开发桌面GUI→获取键盘输入→接入谷歌翻译API→爬虫获取翻译结果(其中涉及到正则表达式匹配翻译结果)→输出翻译结果→翻译完成。
创建图形用户界面 (GUI)可能很困难, 有许多不同的Python GUI工具包可供选择。最常提到的前三名是 Tkinter, wxPython 和 PyQt (或PySide2). 但是PySimpleGUI的较新工具包,其目的是使创建GUI更加容易。
PySimpleGUI 主要的作用是成为Tkinter, wxPython和PyQt之上的抽象层。您可以将其视为包装器, 拉近设计者与GUI 的距离. 虽然建立GUI 变的很简单, 相对的有很多细节被忽略掉, 也就是说你只能按PySimpleGUI 所提供的功能来使用.这个版本是架设在Tkinter 之上, 当然还有其他的版本, 像是PySimpleGUIQt, PySimpleGUIWx, PySimpleGUIWeb, …
所以说优点呢, 就是简单, 缺点也是简单, 以下大约说明一下使用方法, 其他的 GUI 很难在短短一篇文章就能说个大槪.
代码如下(示例):
import reimport htmlfrom urllib import parseimport requestsimport PySimpleGUI as sg
代码如下(示例):
url = 'http://translate.google.cn/m?q=%s&tl=%s&sl=%s'
该处使用的url网络请求的数据,这里用到了%字符串格式化方法。需要用到三个参数:text——需要翻译的内容, to_language——目标语言类型, text_language——当前语言类型。
代码如下(示例):
def translate(text, to_language="en", text_language="auto"): text = parse.quote(text) url1 = url % (text, to_language, text_language) response = requests.get(url1) data = response.text # print(data) expr = r'(?s)class="(?:t0|result-container)">(.*?)<' result = re.findall(expr, data) print(result) if (len(result) == 0): return "" return html.unescape(result[0])
print语句用于前期调试,调试成功之后可以注释掉,也可以忽略,不影响使用!
代码如下(示例):
sg.theme('bluepurple') # 设置主题font = ("fangsong",12) # 字体仿宋,大小12menu = [["Help",["About","Item","Author"]]] # 菜单栏设置value = ['汉语','英语','日语','法语','俄语','自动'] # 语言选择(前端显示),默认只有6种,可以自己添加var = ['zh','en','ja','fr','ru','auto'] # 语言选择(后端执行时)dic = dict(zip(value,var)) # 语言字典配置layout = [[sg.Menu(menu, tearoff=False)], [sg.Text(text='Input',size=(26,1)), sg.Text(text='将',size=(2,1),justification='center'), sg.Combo(values=value, key='from', size=(10,1)), sg.Text(text='翻译为',size=(5,1),justification='center'), sg.Combo(values=value, key='to', size=(10,1))], [sg.Multiline(key="-IN-",size=(60, 8),font=font)], [sg.Text(text='Output',size=(30,1))], [sg.Multiline(key="-OUT-",size=(60, 8),font=font)], [sg.Text(text='',size=(36,1)), sg.Button("翻译", size=(6,1)), sg.Button("清除", size=(6,1)), sg.Button("退出", size=(6,1))] ]window = sg.Window("自制桌面翻译器", layout, icon="CT.ico") # 设置窗口名称,窗口布局,以及图标
layout为GUI布局,采用列表的模式,根据行列进行排布。
代码如下(示例):
while True: event, values =window.read() if event in (None, "退出"): # 点击“X”或者“退出”按钮时才退出 break if event == "翻译": if values["to"]=='' or values["from"]=='': # 未选择语言类型时弹窗提示 sg.Popup("请选择语言类型后重试,谢谢!") else: tar = translate(values["-IN-"],dic[values["to"]],dic[values["from"]]) window["-OUT-"].Update(tar) if event =="清除": window["-IN-"].Update("") window["-OUT-"].Update("") if event == "About": sg.Popup("使用方法:", "'翻译'确认输入,并输出翻译结果", "'清除'清除已有输入,清空翻译的结果", "'退出'取消,并退出App", title='', font = font, auto_close = 1) if event == "Item": sg.Popup("翻译类型:", "'输入类型' 输入的语言类型", "'输出类型' 输出的语言类型", title = '', font = font, auto_close = 1) if event == "Author": sg.Popup("作者简介:", "姓名:XXXXXX", "Wechat:XXXXXX", "E-mail:XXXXXX@qq.com", title = '', font = font, auto_close = 1)window.close()
windows.read()可以理解为监听,分别有事件event,返回值values。
while循环,当事件为空或者为“退出”是=时,结束循环,并退出。
Popup为消息提示弹窗,可以作为警告,提示,再确认的交互界面。
到这里,整个项目就已经完成了,涉及到的一些基础技能,还需要一点功力,好了,今天的分享就到这里,后续会更新如何使用pyinstaller进行打包分发使用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09