چگونه یک PDF چندستونه را بدون به‌هم‌ریختن ترتیب خواندن ترجمه کنیم

پاسخ سریع: پیش از ترجمه، ترتیب خواندن را بررسی کنید

یک PDF دوستونه می‌تواند مرتب به نظر برسد و در عین حال پاراگراف‌ها را با ترتیب نادرست به ابزار ترجمه بدهد. وقتی این اتفاق می‌افتد، ترجمه ممکن است جمله به جمله روان باشد، اما صفحه به‌عنوان یک کل بی‌معنا شود. هیچ ابزاری نمی‌تواند از منبعی که با ترتیب نادرست خوانده شده، ترجمه‌ای درست بیرون بکشد.

بنابراین ترتیب کار چنین است:

1. بررسی کنید که صفحه چگونه خوانده می‌شود. یک صفحهٔ نمونه را کپی کنید و تأیید کنید که هر پاراگراف به همان ترتیبی که یک انسان می‌خواند بیرون می‌آید.
2. بر اساس همان بررسی، گردش‌کار را انتخاب کنید. وقتی ترتیب درست است از ترجمهٔ PDF با حفظ چیدمان استفاده کنید، وقتی متن غیرقابل‌استفاده است از حالت OCR، و وقتی به فایل قابل‌ویرایش نیاز دارید از مسیر تبدیل و تعمیر.
3. ستون‌های ترجمه‌شده را بررسی کنید. به شکست ستون، زیرنویس تصاویر، یادداشت‌های تمام‌عرض، پانویس‌ها و خطوطی که بیش از حد بلند شده‌اند نگاه کنید.

بقیهٔ این راهنما نشان می‌دهد چرا نمی‌توان از مرحلهٔ ۱ صرف‌نظر کرد، با یک آزمون کوچک که می‌توانید خودتان دانلود و اجرا کنید. این راهنما PDFهایی با لایهٔ متنی واقعی را پوشش می‌دهد، مانند گزارش‌ها، مقاله‌ها و خبرنامه‌های صادرشده. اگر صفحه‌های شما اسکن‌شده هستند، با چگونه یک PDF اسکن‌شده را ترجمه کنیم شروع کنید.

آنچه آزمایش کردیم

در ۲۰۲۶-۱۰-۲۰ سه PDF یک‌صفحه‌ای از همان متن ساختیم: یک عنوان، یک کادر تصویر در بالای ستون چپ، سه پاراگراف در هر ستون، یک یادداشت پررنگ که هر دو ستون را در بر می‌گیرد، و یک پانویس. هر پاراگراف با نشانگری از P1 تا P8 شروع می‌شود، بنابراین ترتیب خواندن درست P1 تا P8 است.

این سه فایل به روش‌هایی متفاوت‌اند که روی صفحه نمی‌بینید:

• two-column-stream-logical.pdf متن را ابتدا ستون چپ و سپس ستون راست ذخیره می‌کند.
• two-column-stream-rowwise.pdf یکسان به نظر می‌رسد اما خطوط را سطر به سطر و به‌تناوب بین ستون‌ها ذخیره می‌کند.
• two-column-no-figure-rowwise.pdf متن را سطر به سطر ذخیره می‌کند و کادر تصویر ندارد. این فایل کنترل است.

سپس متن را با هفت روش متن‌باز رایج استخراج کردیم و ترتیب پاراگراف‌هایی را که هر کدام برگرداند ثبت کردیم:

هیچ‌یک از هفت روش هر سه فایل را درست استخراج نکرد. هر روشی که یک فایل را درست استخراج کرد، فایل دیگری را اشتباه استخراج کرد. در فایل کنترل، pdftotext -raw، pdftotext -layout و PyMuPDF با sort=True نیز سه خط چاپ کردند که هر کدام متن هر دو ستون را با هم مخلوط می‌کرد، که دقیقاً همان چیزی است که خواننده هنگام کپی متن در سراسر شیار میانی می‌بیند. PyMuPDF با sort=True در هر یک از دو فایل دیگر نیز یک خط از این نوع تولید کرد.

این آزمون عمداً کوچک است: یک صفحه انگلیسی مصنوعی، بدون تگ، که با ReportLab ساخته شده است. این آزمون رتبه‌بندی این کتابخانه‌ها نیست و هیچ محصول ترجمه‌ای، از جمله BookTranslator، را آزمایش نکرده است. آنچه نشان می‌دهد محدودتر و مفیدتر است: صفحه‌ای که یکسان به نظر می‌رسد می‌تواند ترتیب منبع متفاوتی تولید کند، بنابراین تنها بررسی قابل اعتماد فایل خود شماست.

می‌توانید آزمون را با تولیدکننده فیکسچر، سه فایل PDF (منطقی، سطر به سطر، بدون شکل)، بررسی‌کننده ترتیب، اجراکننده استخراج‌گر که هر هفت روش را فراخوانی می‌کند، و فایل CSV نتایج بازتولید کنید.

چرا یک صفحه یکسان با ترتیب‌های مختلف خوانده می‌شود

استخراج‌گرها از یکی از دو راهبرد استفاده می‌کنند و هر کدام در فایل متفاوتی شکست می‌خورند.

راهبرد ۱: پیروی از ترتیب ذخیره‌شده در فایل. یک PDF متن را به هر ترتیبی که سازنده‌اش نوشته است رسم می‌کند. راهنمای poppler pdftotext -raw را چنین توصیف می‌کند که «متن را به ترتیب جریان محتوا» نگه می‌دارد (و دیگر آن حالت را توصیه نمی‌کند)، و مستندات PyMuPDF می‌گوید خروجی پیش‌فرض آن متن ساده «همان‌طور که در سند کدگذاری شده است» می‌باشد (راهنمای poppler pdftotext، دستورالعمل‌های متنی PyMuPDF). این روش وقتی کار می‌کند که فایل متن را به ترتیب خواندن ذخیره کند. وقتی ترتیب ذخیره‌شده سطر به سطر باشد، مانند فایل دوم ما، شکست می‌خورد، حتی اگر صفحه یکسان به نظر برسد.

راهبرد ۲: بازسازی ترتیب از روی موقعیت متن روی صفحه. حالت پیش‌فرض pdftotext تلاش می‌کند متن را «به ترتیب خواندن» خروجی دهد، pdfminer.six خطوط نزدیک را در جعبه‌ها گروه‌بندی می‌کند و به شما اجازه می‌دهد هنگام مرتب‌سازی آن‌ها «موقعیت افقی و عمودی» را وزن‌دهی کنید، و sort=True در PyMuPDF «از بالا-چپ به پایین-راست» مرتب می‌کند (pdfminer.six LAParams). این روش‌ها ترتیب ذخیره‌شده را نادیده می‌گیرند، بنابراین فایل‌های منطقی و سطر به سطر نتایج یکسانی می‌دهند.

فایل کنترل شکست را توضیح می‌دهد. بدون شکل، حالت پیش‌فرض pdftotext و pdfminer.six هر دو P1 تا P8 را درست می‌خوانند. یک جعبه شکل در بالای ستون چپ اضافه کنید، و اولین پاراگراف سمت راست (P4) بالاترین متن روی صفحه می‌شود. روشی که به موقعیت عمودی وزن می‌دهد، صفحه را از آنجا شروع می‌کند.

این یک طراحی صفحه رایج است، نه یک مورد حاشیه‌ای: مقالات ستون چپ را با یک شکل یا جعبه چکیده باز می‌کنند، مجلات یک ستون را زیر یک تصویر شروع می‌کنند، و راهنماها یک جعبه هشدار بالای اولین مرحله قرار می‌دهند. یادداشت تمام‌عرض (P7) و پانویس (P8) در هر اجرا در جای خود ماندند، بنابراین بررسی‌ای که فقط به پایین صفحه نگاه کند، مشکل را از دست خواهد داد.

مرحله ۱: فایل PDF خود را در پنج دقیقه بررسی کنید

نشانگرهای موجود در فایل آزمون ما در سند شما وجود ندارند، اما همان بررسی با چند جمله که خودتان انتخاب می‌کنید کار می‌کند.

1. سخت‌ترین صفحه را انتخاب کنید، نه صفحه اول. صفحه‌ای دو ستونی با یک شکل، جدول، یا یادداشت جعبه‌ای نزدیک بالای یک ستون، به‌علاوه یک عنوان یا یادداشت تمام‌عرض در میانه صفحه انتخاب کنید.
2. پنج عبارت لنگر را به ترتیب خواندن بنویسید: اولین کلمات ستون چپ، آخرین کلمات ستون چپ، اولین کلمات ستون راست، عنصر تمام‌عرض، و عنوان شکل.
3. کل صفحه را از نمایشگر PDF خود کپی کنید و در یک ویرایشگر متن ساده بچسبانید. اگر از ابزاری با پیش‌نمایش منبع استفاده می‌کنید، از همان پیش‌نمایش استفاده کنید، زیرا ترتیبی را نشان می‌دهد که ابزار واقعاً دریافت کرده است.
4. لنگرها را در متن چسبانده‌شده پیدا کنید. آن‌ها باید به همان ترتیبی که نوشتید ظاهر شوند، و هیچ خطی نباید شامل کلمات هر دو ستون باشد.
5. برای یک نوع صفحه متفاوت تکرار کنید، مانند صفحه منابع، صفحه‌ای با نوار کناری، یا صفحه اول یک فصل.

نتیجه را این‌گونه تفسیر کنید:

کپی و پیست یک بررسی سریع است، نه مدرکی بر آنچه ابزار دیگری انجام خواهد داد. جدول ما نشان می‌دهد که دو ابزار می‌توانند یک فایل را متفاوت بخوانند. نتیجه نمایشگر شما به شما می‌گوید که فایل چقدر پرخطر است. پیش‌نمایش خود ابزار، یا ترجمه آزمایشی یک صفحه، به شما می‌گوید که آن ابزار واقعاً چه چیزی می‌خواند.

اگر متن با حروف درست اما فاصله‌گذاری یا شکست خط خراب پیست می‌شود، پیش از قضاوت درباره ترتیب ستون‌ها مشکلات متن کپی-پیست را برطرف کنید.

گام ۲: گردش‌کار را بر اساس آنچه دیدید انتخاب کنید

گردش‌کار را بر اساس بررسی انتخاب کنید، نه بر اساس ادعای یک ابزار که چیدمان شما را حفظ می‌کند.

ترتیب درست است و متن قابل انتخاب است. PDF را به صورت فایل ترجمه کنید، نه با پیست کردن تکه‌ها. یک گردش‌کار حفظ‌کننده چیدمان، متن ترجمه‌شده را دوباره در صفحه قرار می‌دهد، بنابراین ستون‌ها، شکل‌ها و سرصفحه‌ها همان جایی می‌مانند که خوانندگان انتظار دارند. در BookTranslator، این مسیر استاندارد ترجمه PDF است. هر وعده‌ای برای حفظ چیدمان، از جمله وعده ما را، چیزی بدانید که باید روی سخت‌ترین صفحه‌ای که در گام ۱ پیدا کردید تأیید شود، نه به عنوان تضمین.

ترتیب فقط نزدیک شکل‌ها یا عناصر کادردار می‌شکند. پیش از ترجمه کل سند، یک صفحه مشکل‌دار را با ابزار انتخابی خود اجرا کنید. اگر آن صفحه با ترتیب درست بیرون آمد، ابزار از همان راهبرد بررسی کپی شما استفاده نمی‌کند. اگر به هم ریخته بیرون آمد، گردش‌کار را تغییر دهید نه اینکه امیدوار باشید بقیه فایل طور دیگری رفتار کند.

صفحه اسکن شده است، یا لایه متن غیرقابل استفاده است. از OCR استفاده کنید. حالت OCR BookTranslator تصویر صفحه را می‌خواند و یک PDF ترجمه‌شده تمیز بازسازی می‌کند. آن صفحه آن را برای کتاب‌های درسی، مقالات دانشگاهی، جدول‌ها و صفحات پرتصویر که حفظ محتوا مهم‌تر از چیدمان دقیق است توصیه می‌کند. ما آن را روی نمونه‌های این راهنما آزمایش نکردیم. معاوضه صریح است: حالت OCR تلاش نمی‌کند چیدمان، فونت‌ها یا اندازه فونت اصلی را حفظ کند. به‌ویژه برای اسکن‌ها، نحوه ترجمه یک PDF اسکن‌شده را ببینید.

به هر حال به یک سند قابل ویرایش نیاز دارید. PDF را به Word تبدیل کنید، ترتیب خواندن را آنجا اصلاح کنید و DOCX را ترجمه کنید. این بیشترین تلاش را می‌طلبد، اما تنها مسیری است که می‌توانید مستقیماً ترتیب پاراگراف‌ها را پیش از ترجمه اصلاح کنید. همچنین چیدمان را تغییر می‌دهد، بنابراین وقتی از آن استفاده کنید که خروجی بیشتر ویرایش خواهد شد، نه وقتی که باید شبیه صفحه اصلی به نظر برسد.

از پیست کردن ستون‌ها در یک چت‌بات یا کادر متن خودداری کنید. شما مسئول بازسازی دستی ترتیب، عنوان‌ها و پانویس‌ها در هر صفحه می‌شوید. جدول ما نشان می‌دهد که این ترتیب پیش از شروع چقدر آسان خراب می‌شود.

برای مقالات دانشگاهی، جایی که همان مشکل با معادلات، ارجاعات و منابع ترکیب می‌شود، گردش‌کار ترجمه مقاله پژوهشی را دنبال کنید. برای فرایند کلی حفظ چیدمان در همه انواع PDF، نحوه ترجمه یک PDF با حفظ قالب را ببینید.

گام ۳: ستون‌های ترجمه‌شده را بررسی کنید

ترجمه چندستونه در جاهایی شکست می‌خورد که یک مرور سریع از دست می‌دهد. این پنج جا را روی هر نوع صفحه‌ای که در گام ۱ آزمایش کردید بررسی کنید:

1. شکست ستون. جملهٔ آخر ستون چپ و جملهٔ اول ستون راست را بخوانید. استدلال باید ادامه یابد، نه اینکه به پاراگراف دیگری بپرد.
2. عنوان‌های تصویر و شکل‌ها. هر عنوان تصویر باید همچنان زیر شکل خودش قرار داشته باشد، ترجمه شده باشد و به متن اصلی نفوذ نکرده باشد.
3. عناصر تمام‌عرض. سرفصل‌ها، یادداشت‌ها و نقل‌قول‌های برجسته‌ای که هر دو ستون را در بر می‌گیرند باید همچنان هر دو ستون را پوشش دهند و نباید به دو نیمه‌جمله تقسیم شوند.
4. پانویس‌ها و سرصفحه‌ها. نشانگرهای پانویس در متن باید با یادداشت‌های پایین صفحه مطابقت داشته باشند و سرصفحه‌های صفحه نباید در میانهٔ پاراگراف ظاهر شوند.
5. سرریز در ستون‌های باریک. متن ترجمه‌شده اغلب طولانی‌تر از متن مبدأ است. راهنمای W3C دربارهٔ اندازهٔ متن در ترجمه به ارقام IBM اشاره می‌کند: حدود ۱۳۰٪ طول برای متن مبدأ انگلیسی با بیش از ۷۰ نویسه هنگام ترجمه به زبان‌های اروپایی، با افزایش بیشتر برای رشته‌های کوتاه. یک ستون باریک فضای کمی برای آن متن اضافی دارد، بنابراین به دنبال خطوط بریده‌شده، حروف کوچک‌شده یا متن همپوشان با شکل‌ها باشید. سرفصل‌ها و سلول‌های جدول بیشترین احتمال سرریز را دارند.

برای بازبینی، یک فایل دوزبانه کمک‌کننده است، اما چیدمان آن اهمیت دارد. قرار دادن متن مبدأ و ترجمه در یک صفحه، دو زبان را در ستون‌هایی که از قبل باریک بودند فشرده می‌کند. در ترجمهٔ استاندارد PDF BookTranslator (با حالت OCR خاموش)، PDF دوزبانه دو چیدمان ارائه می‌دهد: همان صفحه و صفحات جداگانه. برای اسناد چندستونه، صفحات جداگانه را انتخاب کنید: هر صفحهٔ مبدأ با صفحهٔ ترجمه‌شدهٔ آن دنبال می‌شود، بنابراین هر ستون عرض اصلی خود را حفظ می‌کند. همچنان می‌توانید نسخهٔ فقط ترجمه را نیز دانلود کنید. چک‌لیست تضمین کیفیت ترجمهٔ PDF ما بررسی‌های باقی‌مانده در سطح فایل را پوشش می‌دهد.

اگر PDF ترجمه‌شده باید با صفحه‌خوان‌ها نیز کار کند، ترتیب بصری کافی نیست. ترتیب خواندن برچسب‌گذاری‌شده نیاز به بررسی جداگانه دارد. W3C اشاره می‌کند که ترتیب خواندن PDF برچسب‌گذاری‌شده «عمدتاً توسط ترتیب برچسب عناصر سند تعیین می‌شود» (W3C PDF3). راهنمای ما برای دسترس‌پذیری PDF ترجمه‌شده نشان می‌دهد چگونه آن را آزمایش کنید.

آنچه این راهنما ادعا نمی‌کند

• این یک رتبه‌بندی ابزارها نیست. هفت استخراج‌کننده به این دلیل انتخاب شدند که رایج و آسان برای اجرای مجدد هستند. هر یک حداقل در یکی از سه فایل شکست خورد، و یک فایل آزمایشی متفاوت می‌تواند مشخص کند کدام‌ها شکست می‌خورند.
• محصولات ترجمه آزمایش نشدند. ما BookTranslator، DeepL، Google Translate یا هیچ مترجم دیگری را روی این فایل‌ها اجرا نکردیم. توضیحات محصول بالا از متن تبلیغاتی فعلی BookTranslator گرفته شده است، نه از این آزمایش.
• یک صفحه یک سند نیست. فایل‌های واقعی طرح‌های صفحه را ترکیب می‌کنند، بنابراین حداقل دو نوع صفحه را بررسی کنید.
• PDFهای برچسب‌گذاری‌شده ممکن است متفاوت رفتار کنند. فایل‌های نمونهٔ ما برچسب‌گذاری نشده‌اند. یک PDF به‌درستی برچسب‌گذاری‌شده ترتیب خواندن صریحی دارد که برخی ابزارها از آن استفاده می‌کنند.

قاعدهٔ عملی به هر حال پابرجاست: قبل از ترجمه، بفهمید PDF شما چگونه خوانده می‌شود. اگر ترتیب درست است، فایل را ترجمه کنید و ستون‌ها را بررسی کنید. اگر نادرست است، جریان کار را تغییر دهید، نه تنظیمات ترجمه را.