Hogyan fordítsunk többhasábos PDF-et az olvasási sorrend felborítása nélkül

Gyors válasz: Ellenőrizze az olvasási sorrendet a fordítás előtt

Egy kéthasábos PDF rendezettnek tűnhet, mégis előfordulhat, hogy a fordítóeszköz a bekezdéseket rossz sorrendben kapja meg. Ilyenkor a fordítás mondatról mondatra gördülékeny lehet, miközben az oldal egésze értelmetlenné válik. Egyetlen eszköz sem tudja kijavítani a fordítást, ha a forrásszöveget rossz sorrendben olvasta be.

A munka menete tehát a következő:

1. Ellenőrizze, hogyan olvasható az oldal. Másoljon ki egy reprezentatív oldalt, és győződjön meg arról, hogy minden bekezdés abban a sorrendben jelenik meg, ahogyan egy ember olvasná.
2. Az ellenőrzés alapján válassza ki a munkafolyamatot. Ha a sorrend megfelelő, használjon elrendezésmegőrző PDF-fordítást; ha a szöveg használhatatlan, válassza az OCR módot; ha szerkeszthető fájlra van szüksége, a konvertálás és javítás útvonalát.
3. Ellenőrizze a lefordított hasábokat. Vizsgálja meg a hasábtörést, a képaláírásokat, a teljes szélességű megjegyzéseket, a lábjegyzeteket és a túl hosszú sorokat.

A továbbiakban bemutatjuk, miért nem hagyható ki az 1. lépés, egy letölthető és saját maga is lefuttatható kis teszttel. A guide valódi szövegréteggel rendelkező PDF-ekkel foglalkozik, például exportált jelentésekkel, tanulmányokkal és hírlevelekkel. Ha az oldalai beszkennelt képek, kezdje a beszkennelt PDF fordítása útmutatóval.

Mit teszteltünk

2026-10-20-án három egyoldalas PDF-et készítettünk ugyanabból a szövegből: egy címet, egy ábrakeretet a bal hasáb tetején, három bekezdést mindkét hasábban, egy félkövér megjegyzést, amely mindkét hasábra kiterjed, és egy lábjegyzetet. Minden bekezdés P1-től P8-ig terjedő jelöléssel kezdődik, így a helyes olvasási sorrend a P1-től P8-ig terjedő sorrend.

A három fájl olyan szempontokban tér el egymástól, amelyek a képernyőn nem láthatók:

• two-column-stream-logical.pdf: a szöveget először a bal hasáb, majd a jobb hasáb szerint tárolja.
• two-column-stream-rowwise.pdf: ugyanúgy néz ki, de a sorokat soronként, a hasábok között váltakozva tárolja.
• two-column-no-figure-rowwise.pdf: a szöveget soronként tárolja, és nincs ábrakeret. Ez a kontrollfájl.

Ezután hét elterjedt nyílt forráskódú módszerrel kinyertük a szöveget, és feljegyeztük, milyen bekezdéssorrendet adott vissza mindegyik:

A hét módszer egyike sem találta el mindhárom fájlt. Minden módszer, amelyik egy fájlt eltalált, egy másikat elrontott. A kontrollfájlban a pdftotext -raw, a pdftotext -layout és a PyMuPDF sort=True beállítással három olyan sort is nyomtatott, amelyek mindkét oszlop szövegét keverték, pontosan azt, amit az olvasó lát, amikor a másolt szöveg átfut a hasábon. A PyMuPDF sort=True beállítással a másik két fájlban is egy-egy ilyen sort produkált.

A teszt szándékosan kicsi: egy szintetikus angol oldal, címkézetlen, ReportLabbal létrehozva. Nem rangsorolja ezeket a könyvtárakat, és nem tesztelt egyetlen fordítási terméket sem, beleértve a BookTranslatort. Amit mutat, az szűkebb és hasznosabb: az ugyanúgy kinéző oldal különböző forrásrendet eredményezhet, így az egyetlen megbízható ellenőrzés a saját fájlod.

A tesztet reprodukálhatod a fixture generátorral, a három PDF-fel (logikai, soronkénti, ábra nélküli), az olvasási sorrend ellenőrzővel, a kinyerő futtatóval, amely mind a hét módszert meghívja, és az eredmények CSV-vel.

Miért olvasódik ugyanaz az oldal különböző sorrendben?

A kinyerők két stratégia egyikét használják, és mindegyik más-más fájlon hibázik.

1. stratégia: a fájlban tárolt sorrend követése. A PDF abban a sorrendben rajzolja a szöveget, ahogy a készítője írta. A poppler kézikönyve a pdftotext -raw kapcsolóról azt írja, hogy megtartja a „szöveget a tartalomfolyam sorrendjében” (és már nem ajánlja ezt a módot), a PyMuPDF dokumentációja pedig azt mondja, hogy az alapértelmezett kimenet sima szöveg „ahogy a dokumentumban kódolva van” (poppler pdftotext kézikönyv, PyMuPDF szöveg receptek). Ez akkor működik, ha a fájl olvasási sorrendben tárolja a szöveget. Akkor hibázik, ha a tárolt sorrend soronkénti, mint a második fájlunkban, pedig az oldal ugyanúgy néz ki.

2. stratégia: a sorrend újraépítése a szöveg oldalon elfoglalt helye alapján. A pdftotext alapértelmezett módja megpróbálja „olvasási sorrendben” kiírni a szöveget, a pdfminer.six a közeli sorokat dobozokba csoportosítja, és a rendezésnél súlyozhatod „a vízszintes és függőleges pozíciót”, a PyMuPDF sort=True beállítása pedig „bal felsőtől jobb alsóig” rendez (pdfminer.six LAParams). Ezek a módszerek figyelmen kívül hagyják a tárolt sorrendet, így a logikai és a soronkénti fájl ugyanazt az eredményt adja.

A kontrollfájl megmagyarázza a hibát. Az ábra nélkül a pdftotext alapértelmezett módja és a pdfminer.six is helyesen olvassa P1-től P8-ig. Ha a bal oszlop tetejére egy ábradoboz kerül, a jobb oldali első bekezdés (P4) lesz az oldal legfelső szövege. Egy módszer, amely a függőleges pozíciót súlyozza, onnan kezdi az oldalt.

Ez gyakori oldaltervezés, nem szélsőséges eset: a cikkek a bal oszlopot ábrával vagy kivonatdobozzal nyitják, a magazinok egy kép alatt kezdenek oszlopot, a kézikönyvek pedig az első lépés fölé tesznek figyelmeztető dobozt. A teljes szélességű megjegyzés (P7) és a lábjegyzet (P8) minden futásban a helyén maradt, így egy csak az oldal alját vizsgáló ellenőrzés nem veszi észre a problémát.

1. lépés: Ellenőrizd a saját PDF-edet öt perc alatt

A tesztfájlunkban lévő jelölők nem léteznek a te dokumentumodban, de ugyanez az ellenőrzés működik néhány általad kiválasztott mondattal is.

1. A legnehezebb oldalt válaszd, ne az elsőt. Válassz egy kétoszlopos oldalt ábrával, táblázattal vagy bekeretezett megjegyzéssel az egyik oszlop teteje közelében, valamint egy teljes szélességű címsorral vagy megjegyzéssel valahol lejjebb.
2. Írj fel öt horgonyszöveget olvasási sorrendben: a bal oszlop első szavait, a bal oszlop utolsó szavait, a jobb oszlop első szavait, a teljes szélességű elemet és a képaláírást.
3. Másold ki az egész oldalt a PDF-megjelenítődből, és illeszd be egy sima szövegszerkesztőbe. Ha olyan eszközt használsz, amelynek van forrás-előnézete, inkább azt az előnézetet használd, mert az mutatja, milyen sorrendet kapott valójában az eszköz.
4. Keresd meg a horgonyokat a beillesztett szövegben. Annak a sorrendnek kell megjelenniük, ahogy felírtad őket, és egyetlen sornak sem szabad mindkét oszlop szavait tartalmaznia.
5. Ismételd meg egy másik oldaltípussal, például egy irodalomjegyzék-oldallal, egy oldalsávos oldallal vagy egy fejezet első oldalával.

Az eredményt így értelmezd:

A másolás és beillesztés gyors ellenőrzés, nem bizonyíték arra, mit fog tenni egy másik eszköz. Táblázatunk megmutatja, hogy két eszköz ugyanazt a fájlt másképp olvashatja. A nézegetője eredménye megmutatja, mennyire kockázatos a fájl. Az eszköz saját előnézete vagy egy egyoldalas próba-fordítás megmutatja, mit olvas valójában az az eszköz.

Ha a szöveg a megfelelő betűkkel, de hibás térközökkel vagy sortörésekkel illeszkedik be, javítsa a másolás-beillesztés szövegproblémáit, mielőtt megítélné a hasábok sorrendjét.

2. lépés: Válassza ki a munkafolyamatot abból, amit látott

A munkafolyamatot az ellenőrzés alapján válassza, ne egy eszköz azon állítása alapján, hogy megőrzi az elrendezést.

A sorrend helyes, és a szöveg kijelölhető. Fordítsa le a PDF-et fájlként, ne darabok beillesztésével. Az elrendezést megőrző munkafolyamat a lefordított szöveget visszahelyezi az oldalra, így a hasábok, ábrák és élőfejek ott maradnak, ahol az olvasók várják. A BookTranslatorban ez a szokásos PDF-fordítás útvonal. Bármilyen elrendezésmegőrzési ígéretet, beleértve a miénket is, olyan dologként kezeljen, amit az 1. lépésben talált legnehezebb oldalon ellenőrizni kell, nem garanciaként.

A sorrend csak ábrák vagy keretezett elemek közelében borul fel. Mielőtt lefordítaná a teljes dokumentumot, futtasson át egy problémás oldalt a választott eszközön. Ha az az oldal helyes sorrendben jön ki, az eszköz nem ugyanazt a stratégiát használja, mint a másolási ellenőrzés. Ha kusza lesz, változtasson a munkafolyamaton, ahelyett hogy reménykedne, hogy a fájl többi része másképp viselkedik.

Az oldal be van szkennelve, vagy a szövegréteg használhatatlan. Használjon OCR-t. A BookTranslator OCR módja beolvassa az oldal képét, és tiszta, lefordított PDF-et épít fel. Az az oldal tankönyvekhez, tudományos cikkekhez, táblázatokhoz és képekben gazdag oldalakhoz ajánlja, ahol a tartalom megőrzése fontosabb, mint a pontos elrendezés. Nem teszteltük az ebben az útmutatóban szereplő tesztfájlokon. A kompromisszum egyértelmű: az OCR mód nem próbálja megőrizni az eredeti elrendezést, betűtípusokat vagy betűméreteket. Kifejezetten szkennelésekhez lásd: hogyan fordítsunk szkennelt PDF-et.

Mindenképpen szerkeszthető dokumentumra van szüksége. Konvertálja a PDF-et Wordbe, javítsa ott az olvasási sorrendet, és fordítsa le a DOCX-et. Ez igényli a legtöbb erőfeszítést, de ez az egyetlen út, ahol közvetlenül javíthatja a bekezdések sorrendjét fordítás előtt. Ez is megváltoztatja az elrendezést, ezért akkor használja, ha a kimenetet tovább szerkesztik, nem pedig amikor az eredeti oldalhoz kell hasonlítania.

Kerülje a hasábok beillesztését csevegőrobotba vagy szövegmezőbe. Ön lesz a felelős a sorrend, a képaláírások és a lábjegyzetek kézi helyreállításáért minden oldalon. Táblázatunk megmutatja, milyen könnyen elromlik ez a sorrend, mielőtt elkezdené.

Tudományos cikkek esetében, ahol ugyanez a probléma egyenletekkel, hivatkozásokkal és irodalomjegyzékkel kombinálódik, kövesse a tudományos cikk fordítási munkafolyamatát. Az összes PDF-típusra vonatkozó általános elrendezésmegőrző folyamathoz lásd: hogyan fordítsunk PDF-et a formátum megtartásával.

3. lépés: Ellenőrizze a lefordított hasábokat

A többhasábos fordítás olyan helyeken hibázik, amelyeket egy gyors átfutás kihagy. Ellenőrizze ezt az öt helyet minden olyan oldaltípuson, amelyet az 1. lépésben tesztelt:

1. A hasábok közötti törés. Olvassa el a bal hasáb utolsó és a jobb hasáb első mondatát. A gondolatmenetnek folytatódnia kell, nem pedig egy másik bekezdésre ugrania.
2. Képaláírások és ábrák. Minden képaláírásnak továbbra is a saját ábrája alatt kell maradnia, lefordítva, és nem szabad a törzsszövegbe csúsznia.
3. Teljes szélességű elemek. A két hasábot átfogó címeknek, jegyzeteknek és kiemelt idézeteknek továbbra is át kell fogniuk mindkét hasábot, és nem szabad két félmondatra szakadniuk.
4. Lábjegyzetek és élőfejek. A törzsszövegben lévő lábjegyzet-jelölőknek meg kell egyezniük az oldal alján lévő jegyzetekkel, és az oldalfejléceknek nem szabad bekezdés közben megjelenniük.
5. Túlcsordulás keskeny hasábokban. A lefordított szöveg gyakran hosszabb, mint a forrás. A W3C szövegméretekre vonatkozó útmutatása a fordításban az IBM adataira hivatkozik, amelyek szerint a 70 karakternél hosszabb angol forrásszöveg európai nyelvekre fordítva körülbelül 130%-os hosszúságot ér el, a rövid szövegek esetében pedig még nagyobb növekedéssel. Egy keskeny hasábnak kevés helye van erre a többletszövegre, ezért keresse a levágott sorokat, a zsugorított betűméretet vagy az ábrákkal átfedő szöveget. A címek és a táblázatcellák a legvalószínűbb túlcsordulási helyek.

Az ellenőrzéshez hasznos egy kétnyelvű fájl, de az elrendezése számít. Ha a forrás és a fordítás ugyanazon az oldalon van, két nyelv szorul olyan hasábokba, amelyek már így is keskenyek voltak. A BookTranslator szabványos PDF-fordításában (kikapcsolt OCR-móddal) a kétnyelvű PDF két elrendezést kínál: Ugyanazon az oldalon és Külön oldalakon. Többhasábos dokumentumok esetén válassza a Külön oldalakon lehetőséget: minden forrásoldalt követ a lefordított oldala, így minden hasáb megtartja eredeti szélességét. A csak fordítást tartalmazó változatot továbbra is letöltheti. A PDF-fordítás ellenőrzőlistája a fájlszintű ellenőrzések további lépéseit ismerteti.

Ha a lefordított PDF-nek képernyőolvasókkal is működnie kell, a vizuális sorrend nem elegendő. A címkézett olvasási sorrendet külön ellenőrizni kell. A W3C megjegyzi, hogy a címkézett PDF olvasási sorrendjét „elsősorban a dokumentumelemek címkesorrendje határozza meg” (W3C PDF3). A lefordított PDF-ek akadálymentesítéséről szóló útmutatónk bemutatja, hogyan tesztelheti ezt.

Mit nem állít ez az útmutató

• Ez nem eszközrangsor. A hét szövegkinyerőt azért választottuk, mert gyakoriak és könnyen újrafuttathatók. Mindegyikük legalább egyet elrontott a három fájl közül, és egy másik tesztfájl megváltoztathatja, melyek hibáznak.
• Nem tesztelt fordítási termékeket. Nem futtattuk a BookTranslator, a DeepL, a Google Translate vagy bármely más fordító alkalmazást ezeken a fájlokon. A fenti termékleírások a BookTranslator jelenlegi termékszövegéből származnak, nem ebből a tesztből.
• Egy oldal nem dokumentum. A valódi fájlok különböző oldalterveket kevernek, ezért legalább két oldaltípust ellenőrizzen.
• A címkézett PDF-ek eltérően viselkedhetnek. A tesztfájljaink címkézetlenek. Egy megfelelően címkézett PDF explicit olvasási sorrendet hordoz, amelyet egyes eszközök használnak.

A gyakorlati szabály ettől függetlenül érvényes: derítse ki, hogyan olvasható a PDF, mielőtt lefordítja. Ha a sorrend megfelelő, fordítsa le a fájlt, és ellenőrizze a hasábokat. Ha nem megfelelő, a munkafolyamatot változtassa meg, ne a fordítási beállításokat.