Cara Menterjemah PDF Berbilang Lajur Tanpa Mengacau Urutan Bacaan

Jawapan Pantas: Semak Urutan Bacaan Sebelum Anda Menterjemah

PDF dua lajur boleh kelihatan kemas tetapi masih memberikan perenggan kepada alat terjemahan dalam urutan yang salah. Apabila itu berlaku, terjemahan boleh menjadi lancar, ayat demi ayat, tetapi halaman secara keseluruhan tidak lagi masuk akal. Tiada alat boleh menterjemah keluar daripada sumber yang dibacanya dalam urutan yang salah.

Jadi urutan kerja ialah:

1. Semak cara halaman dibaca. Salin satu halaman wakil dan pastikan setiap perenggan keluar dalam urutan yang akan dibaca oleh seseorang.
2. Pilih aliran kerja berdasarkan semakan itu. Gunakan terjemahan PDF yang mengekalkan susun atur apabila urutan betul, mod OCR apabila teks tidak boleh digunakan, dan laluan tukar-dan-baiki apabila anda memerlukan fail yang boleh diedit.
3. Semak lajur terjemahan. Perhatikan pemisah lajur, kapsyen rajah, nota selebar penuh, nota kaki, dan baris yang terlalu panjang.

Baki panduan ini menunjukkan mengapa langkah 1 tidak boleh dilangkau, menggunakan ujian kecil yang boleh anda muat turun dan jalankan sendiri. Ia merangkumi PDF dengan lapisan teks sebenar, seperti laporan yang dieksport, kertas kerja, dan surat berita. Jika halaman anda ialah imbasan, mulakan dengan cara menterjemah PDF yang diimbas.

Apa Yang Kami Uji

Pada 2026-10-20 kami membina tiga PDF satu halaman daripada teks yang sama: tajuk, kotak rajah di bahagian atas lajur kiri, tiga perenggan dalam setiap lajur, nota tebal yang merentangi kedua-dua lajur, dan nota kaki. Setiap perenggan bermula dengan penanda dari P1 hingga P8, jadi urutan bacaan yang betul ialah P1 hingga P8.

Ketiga-tiga fail berbeza dalam cara yang tidak dapat anda lihat pada skrin:

• two-column-stream-logical.pdf menyimpan teks lajur kiri dahulu, kemudian lajur kanan.
• two-column-stream-rowwise.pdf kelihatan sama tetapi menyimpan baris demi baris, berselang-seli antara lajur.
• two-column-no-figure-rowwise.pdf menyimpan teks baris demi baris dan tiada kotak rajah. Ia ialah fail kawalan.

Kami kemudian mengekstrak teks dengan tujuh kaedah sumber terbuka yang biasa dan merekodkan urutan perenggan yang dikembalikan oleh setiap satu:

Tiada satu pun daripada tujuh kaedah itu berjaya untuk ketiga-tiga fail. Setiap kaedah yang berjaya untuk satu fail gagal untuk fail yang lain. Dalam fail kawalan, pdftotext -raw, pdftotext -layout, dan PyMuPDF dengan sort=True juga mencetak tiga baris yang setiap satunya mencampurkan teks daripada kedua-dua lajur, iaitu tepat apa yang dilihat pembaca apabila teks yang disalin merentasi ruang antara lajur. PyMuPDF dengan sort=True menghasilkan satu baris sedemikian dalam setiap dua fail yang lain juga.

Ujian ini sengaja kecil: satu halaman bahasa Inggeris sintetik, tanpa tag, dicipta dengan ReportLab. Ia tidak menyusun kedudukan pustaka-pustaka ini, dan ia tidak menguji mana-mana produk terjemahan, termasuk BookTranslator. Apa yang ditunjukkannya lebih sempit dan lebih berguna: halaman yang kelihatan sama boleh menghasilkan susunan sumber yang berbeza, jadi satu-satunya semakan yang boleh dipercayai ialah fail anda sendiri.

Anda boleh menghasilkan semula ujian ini dengan penjana fixture, tiga PDF (logik, baris demi baris, tanpa rajah), pemeriksa susunan, pelari pengekstrak yang memanggil ketujuh-tujuh kaedah, dan CSV keputusan.

Mengapa Halaman yang Sama Dibaca dalam Susunan Berbeza

Pengekstrak menggunakan salah satu daripada dua strategi, dan setiap satu gagal pada fail yang berbeza.

Strategi 1: ikut susunan yang tersimpan dalam fail. PDF melukis teks mengikut susunan yang ditulis oleh penciptanya. Manual poppler menerangkan pdftotext -raw sebagai mengekalkan "teks dalam susunan aliran kandungan" (dan tidak lagi mengesyorkan mod itu), dan dokumentasi PyMuPDF menyatakan output lalainya ialah teks biasa "seperti yang dikodkan dalam dokumen" (manual poppler pdftotext, resipi teks PyMuPDF). Itu berkesan apabila fail menyimpan teks dalam susunan bacaan. Ia gagal apabila susunan tersimpan adalah baris demi baris, seperti dalam fail kedua kami, walaupun halaman itu kelihatan sama.

Strategi 2: bina semula susunan daripada kedudukan teks pada halaman. Mod lalai pdftotext cuba mengeluarkan teks "dalam susunan bacaan", pdfminer.six mengelompokkan baris berdekatan ke dalam kotak dan membolehkan anda memberi pemberat "kedudukan mendatar dan menegak" semasa menyusunnya, dan sort=True PyMuPDF menyusun "dari kiri atas ke kanan bawah" (pdfminer.six LAParams). Kaedah-kaedah ini mengabaikan susunan tersimpan, jadi fail logik dan baris demi baris memberikan hasil yang sama.

Fail kawalan menjelaskan kegagalan itu. Tanpa rajah, mod lalai pdftotext dan pdfminer.six kedua-duanya membaca P1 hingga P8 dengan betul. Tambah kotak rajah di bahagian atas lajur kiri, dan perenggan pertama di sebelah kanan (P4) menjadi teks tertinggi pada halaman. Kaedah yang memberi pemberat kedudukan menegak memulakan halaman di situ.

Ini adalah reka bentuk halaman yang biasa, bukan kes terpencil: kertas penyelidikan membuka lajur kiri dengan rajah atau kotak abstrak, majalah memulakan lajur di bawah imej, dan manual meletakkan kotak amaran di atas langkah pertama. Nota selebar penuh (P7) dan nota kaki (P8) kekal di tempatnya dalam setiap larian, jadi semakan yang hanya melihat bahagian bawah halaman akan terlepas masalah itu.

Langkah 1: Semak PDF Anda Sendiri dalam Lima Minit

Penanda dalam fail ujian kami tidak wujud dalam dokumen anda, tetapi semakan yang sama berkesan dengan beberapa ayat yang anda pilih sendiri.

1. Pilih halaman paling sukar, bukan halaman pertama. Pilih halaman dua lajur dengan rajah, jadual, atau nota berkotak berhampiran bahagian atas lajur, serta tajuk atau nota selebar penuh di pertengahan halaman.
2. Tuliskan lima frasa penanda, dalam susunan bacaan: perkataan pertama lajur kiri, perkataan terakhir lajur kiri, perkataan pertama lajur kanan, elemen selebar penuh, dan kapsyen.
3. Salin keseluruhan halaman daripada pemapar PDF anda dan tampal ke dalam editor teks biasa. Jika anda menggunakan alat dengan pratonton sumber, gunakan pratonton itu sebagai gantinya, kerana ia menunjukkan susunan yang sebenarnya diterima oleh alat tersebut.
4. Cari penanda dalam teks yang ditampal. Ia sepatutnya muncul dalam susunan yang anda tulis, dan tiada satu baris pun yang mengandungi perkataan daripada kedua-dua lajur.
5. Ulang untuk satu jenis halaman yang berbeza, seperti halaman rujukan, halaman dengan bar sisi, atau halaman pertama sesuatu bab.

Tafsirkan hasilnya seperti ini:

Salin dan tampal ialah semakan pantas, bukan bukti apa yang akan dilakukan oleh alat lain. Jadual kami menunjukkan bahawa dua alat boleh membaca fail yang sama secara berbeza. Hasil pemapar anda memberitahu tahap risiko fail itu. Pratonton alat itu sendiri, atau terjemahan ujian satu halaman, memberitahu apa yang sebenarnya dibaca oleh alat tersebut.

Jika teks ditampal dengan huruf yang betul tetapi jarak atau pemisah baris rosak, betulkan masalah teks salin-tampal sebelum anda menilai susunan lajur.

Langkah 2: Pilih Aliran Kerja Berdasarkan Apa yang Anda Lihat

Pilih aliran kerja berdasarkan semakan, bukan berdasarkan dakwaan alat bahawa ia mengekalkan susun atur anda.

Susunan betul dan teks boleh dipilih. Terjemah PDF sebagai fail, bukan dengan menampal cebisan. Aliran kerja yang mengekalkan susun atur meletakkan semula teks terjemahan ke dalam halaman, jadi lajur, rajah, dan tajuk berjalan kekal di tempat yang dijangka oleh pembaca. Dalam BookTranslator, itu ialah laluan standard terjemahan PDF. Anggap sebarang janji untuk mengekalkan susun atur, termasuk janji kami, sebagai sesuatu yang perlu disahkan pada halaman paling sukar yang anda temui dalam langkah 1, bukan sebagai jaminan.

Susunan rosak hanya berhampiran rajah atau elemen berkotak. Sebelum menterjemah keseluruhan dokumen, jalankan satu halaman bermasalah melalui alat pilihan anda. Jika halaman itu keluar dalam susunan yang betul, alat itu tidak menggunakan strategi yang sama seperti semakan salin anda. Jika ia keluar bersepah, tukar aliran kerja daripada berharap bahagian lain fail itu berkelakuan berbeza.

Halaman diimbas, atau lapisan teks tidak boleh digunakan. Gunakan OCR. Mod OCR BookTranslator membaca imej halaman dan membina semula PDF terjemahan yang bersih. Halaman itu mengesyorkannya untuk buku teks, kertas akademik, jadual, dan halaman berat imej di mana memelihara kandungan lebih penting daripada susun atur tepat. Kami tidak mengujinya pada fixture dalam panduan ini. Pertukarannya jelas: mod OCR tidak cuba mengekalkan susun atur, fon, atau saiz fon asal. Untuk imbasan khususnya, lihat cara menterjemah PDF yang diimbas.

Anda memerlukan dokumen yang boleh diedit juga. Tukar PDF kepada Word, betulkan susunan bacaan di sana, dan terjemah DOCX itu. Ini mengambil usaha paling banyak, tetapi ia satu-satunya cara di mana anda boleh membetulkan susunan perenggan secara langsung sebelum terjemahan. Ia juga mengubah susun atur, jadi gunakannya apabila output akan diedit lagi, bukan apabila ia perlu kelihatan seperti halaman asal.

Elakkan menampal lajur ke dalam chatbot atau kotak teks. Anda menjadi bertanggungjawab untuk membina semula susunan, kapsyen, dan nota kaki secara manual, pada setiap halaman. Jadual kami menunjukkan betapa mudahnya susunan itu rosak sebelum anda bermula.

Untuk kertas akademik, di mana masalah yang sama bergabung dengan persamaan, sitasi, dan rujukan, ikuti aliran kerja terjemahan kertas penyelidikan. Untuk proses mengekalkan susun atur secara umum merentas semua jenis PDF, lihat cara menterjemah PDF sambil mengekalkan format.

Langkah 3: Semak Lajur Terjemahan

Terjemahan berbilang lajur gagal di tempat yang terlepas pandang oleh tinjauan pantas. Semak lima tempat ini pada setiap jenis halaman yang anda uji dalam langkah 1:

1. Pemecahan lajur. Baca ayat terakhir lajur kiri dan ayat pertama lajur kanan. Hujahnya sepatutnya bersambung, bukan melompat ke perenggan lain.
2. Kapsyen dan rajah. Setiap kapsyen sepatutnya masih berada di bawah rajahnya sendiri, diterjemahkan, dan tidak sepatutnya hanyut ke dalam teks badan.
3. Elemen selebar penuh. Tajuk, nota, dan petikan tarik yang merentangi kedua-dua lajur sepatutnya masih merentanginya, dan tidak sepatutnya terpecah kepada dua ayat separuh.
4. Nota kaki dan kepala halaman. Penanda nota kaki dalam badan sepatutnya sepadan dengan nota di bahagian bawah halaman, dan pengepala halaman tidak sepatutnya muncul di tengah perenggan.
5. Limpahan dalam lajur sempit. Teks terjemahan selalunya lebih panjang daripada sumber. Panduan W3C tentang saiz teks dalam terjemahan memetik angka IBM iaitu kira-kira 130% panjang bagi teks sumber bahasa Inggeris melebihi 70 aksara apabila diterjemahkan ke bahasa Eropah, dengan peningkatan lebih besar bagi rentetan pendek. Lajur sempit mempunyai ruang yang sedikit untuk teks tambahan itu, jadi perhatikan baris yang terpotong, saiz huruf yang mengecil, atau teks yang bertindih dengan rajah. Tajuk dan sel jadual paling berkemungkinan melimpah.

Untuk semakan, fail dwibahasa membantu, tetapi susun aturnya penting. Meletakkan sumber dan terjemahan pada halaman yang sama menyempitkan dua bahasa ke dalam lajur yang sudah sempit. Dalam terjemahan PDF standard BookTranslator (dengan mod OCR dimatikan), PDF dwibahasa menawarkan dua susun atur, Halaman sama dan Halaman berasingan. Untuk dokumen berbilang lajur, pilih Halaman berasingan: setiap halaman sumber diikuti oleh halaman terjemahannya, jadi setiap lajur mengekalkan lebar asalnya. Anda masih boleh memuat turun versi terjemahan sahaja juga. Senarai semak QA terjemahan PDF kami merangkumi semakan peringkat fail yang selebihnya.

Jika PDF terjemahan juga perlu berfungsi dengan pembaca skrin, susunan visual tidak memadai. Susunan bacaan bertag perlu disemak secara berasingan. W3C menyatakan bahawa susunan bacaan PDF bertag "ditentukan terutamanya oleh susunan tag elemen dokumen" (W3C PDF3). Panduan kami tentang kebolehcapaian PDF terjemahan menunjukkan cara mengujinya.

Apa yang Panduan Ini Tidak Dakwa

• Ia bukan kedudukan alat. Tujuh pengekstrak dipilih kerana ia biasa dan mudah dijalankan semula. Setiap satu gagal pada sekurang-kurangnya satu daripada tiga fail, dan fail ujian yang berbeza boleh mengubah yang mana gagal.
• Ia tidak menguji produk terjemahan. Kami tidak menjalankan BookTranslator, DeepL, Google Translate, atau mana-mana penterjemah lain pada fail ini. Penerangan produk di atas datang daripada salinan produk semasa BookTranslator, bukan daripada ujian ini.
• Satu halaman bukan satu dokumen. Fail sebenar mencampurkan reka bentuk halaman, jadi semak sekurang-kurangnya dua jenis halaman.
• PDF bertag mungkin berkelakuan berbeza. Fixtur kami tidak bertag. PDF yang ditag dengan betul membawa susunan bacaan eksplisit yang digunakan oleh sesetengah alat.

Peraturan praktikal tetap terpakai: ketahui cara PDF anda dibaca sebelum anda menterjemahkannya. Jika susunannya betul, terjemahkan fail dan semak lajur. Jika ia salah, ubah aliran kerja, bukan tetapan terjemahan.