Jak przetłumaczyć wielokolumnowy PDF bez zaburzenia kolejności czytania

Szybka odpowiedź: sprawdź kolejność czytania, zanim przetłumaczysz

Dwukolumnowy PDF może wyglądać schludnie, a mimo to podawać narzędziu tłumaczeniowemu akapity w niewłaściwej kolejności. Wtedy tłumaczenie może być płynne zdanie po zdaniu, ale cała strona przestaje mieć sens. Żadne narzędzie nie przetłumaczy się z źródła, które odczytało w złej kolejności.

Zatem kolejność pracy jest następująca:

1. Sprawdź, jak czyta się strona. Skopiuj jedną reprezentatywną stronę i potwierdź, że każdy akapit wychodzi w kolejności, w jakiej czytałby go człowiek.
2. Wybierz przepływ pracy na podstawie tego sprawdzenia. Użyj tłumaczenia PDF zachowującego układ, gdy kolejność jest prawidłowa, trybu OCR, gdy tekst jest nieczytelny, oraz ścieżki konwersji i naprawy, gdy potrzebujesz edytowalnego pliku.
3. Sprawdź przetłumaczone kolumny. Zwróć uwagę na przełamanie kolumny, podpisy rysunków, notatki na całą szerokość, przypisy i zbyt długie wiersze.

Dalsza część tego przewodnika pokazuje, dlaczego nie można pominąć kroku 1, za pomocą małego testu, który możesz pobrać i uruchomić samodzielnie. Obejmuje pliki PDF z prawdziwą warstwą tekstową, takie jak eksportowane raporty, artykuły naukowe i biuletyny. Jeśli Twoje strony są skanami, zacznij od jak przetłumaczyć zeskanowany PDF.

Co testowaliśmy

W dniu 2026-10-20 zbudowaliśmy trzy jednostronicowe pliki PDF z tego samego tekstu: tytuł, ramka rysunku u góry lewej kolumny, trzy akapity w każdej kolumnie, pogrubiona notatka obejmująca obie kolumny oraz przypis. Każdy akapit zaczyna się od znacznika od P1 do P8, więc prawidłowa kolejność czytania to P1 do P8.

Trzy pliki różnią się w sposób, którego nie widać na ekranie:

• two-column-stream-logical.pdf przechowuje tekst najpierw w lewej kolumnie, a potem w prawej.
• two-column-stream-rowwise.pdf wygląda identycznie, ale przechowuje wiersze wiersz po wierszu, naprzemiennie między kolumnami.
• two-column-no-figure-rowwise.pdf przechowuje tekst wiersz po wierszu i nie ma ramki rysunku. To plik kontrolny.

Następnie wyodrębniliśmy tekst siedmioma popularnymi metodami open source i zapisaliśmy kolejność akapitów zwracaną przez każdą z nich:

Żadna z siedmiu metod nie poradziła sobie poprawnie ze wszystkimi trzema plikami. Każda metoda, która poprawnie odczytała jeden plik, myliła się przy innym. W pliku kontrolnym pdftotext -raw, pdftotext -layout oraz PyMuPDF z sort=True również wypisały po trzy wiersze, z których każdy mieszał tekst z obu kolumn — dokładnie to widzi czytelnik, gdy skopiowany tekst przechodzi przez rynnę. PyMuPDF z sort=True wygenerował taki wiersz również w każdym z pozostałych dwóch plików.

Test jest celowo niewielki: jedna syntetyczna strona angielska, bez tagów, utworzona za pomocą ReportLab. Nie ma na celu szeregowania tych bibliotek i nie testował żadnego produktu tłumaczeniowego, w tym BookTranslator. Pokazuje coś węższego i bardziej użytecznego: strona wyglądająca identycznie może dawać różną kolejność źródłową, więc jedynym wiarygodnym sprawdzianem jest własny plik.

Test możesz odtworzyć za pomocą generatora plików testowych, trzech plików PDF (logiczny, wiersz po wierszu, bez rysunku), sprawdzarki kolejności, skryptu uruchamiającego ekstraktory, który wywołuje wszystkie siedem metod, oraz pliku CSV z wynikami.

Dlaczego ta sama strona jest odczytywana w różnej kolejności

Ekstraktory stosują jedną z dwóch strategii, a każda z nich zawodzi na innym pliku.

Strategia 1: podążaj za kolejnością zapisaną w pliku. PDF rysuje tekst w takiej kolejności, w jakiej zapisał go twórca. Podręcznik poppler opisuje pdftotext -raw jako zachowujący „tekst w kolejności strumienia treści” (i nie zaleca już tego trybu), a dokumentacja PyMuPDF mówi, że domyślne wyjście to zwykły tekst „tak, jak jest zakodowany w dokumencie” (podręcznik poppler pdftotext, przepisy na tekst w PyMuPDF). To działa, gdy plik przechowuje tekst w kolejności czytania. Zawodzi, gdy zapisana kolejność jest wiersz po wierszu, jak w naszym drugim pliku, mimo że strona wygląda tak samo.

Strategia 2: odtwórz kolejność na podstawie położenia tekstu na stronie. Domyślny tryb pdftotext próbuje wyprowadzić tekst „w kolejności czytania”, pdfminer.six grupuje pobliskie linie w ramki i pozwala uwzględnić „pozycję poziomą i pionową” przy ich porządkowaniu, a PyMuPDF z sort=True sortuje „od lewego górnego do prawego dolnego rogu” (pdfminer.six LAParams). Te metody ignorują zapisaną kolejność, więc pliki logiczny i wiersz-po-wierszu dają identyczne wyniki.

Plik kontrolny wyjaśnia przyczynę błędu. Bez rysunku domyślny tryb pdftotext i pdfminer.six odczytują poprawnie P1 do P8. Dodaj ramkę rysunku na górze lewej kolumny, a pierwszy akapit po prawej (P4) staje się najwyżej położonym tekstem na stronie. Metoda, która uwzględnia pozycję pionową, zaczyna stronę właśnie tam.

To typowy projekt strony, a nie przypadek skrajny: artykuły naukowe otwierają lewą kolumnę rysunkiem lub ramką streszczenia, czasopisma zaczynają kolumnę pod obrazem, a instrukcje umieszczają ramkę ostrzeżenia nad pierwszym krokiem. Nota pełnej szerokości (P7) i przypis dolny (P8) pozostały na miejscu w każdym przebiegu, więc sprawdzenie, które patrzy tylko na dół strony, przeoczy problem.

Krok 1: Sprawdź swój PDF w pięć minut

Znaczniki w naszym pliku testowym nie istnieją w Twoim dokumencie, ale to samo sprawdzenie działa z kilkoma zdaniami, które sam wybierzesz.

1. Wybierz najtrudniejszą stronę, nie pierwszą. Wybierz dwukolumnową stronę z rysunkiem, tabelą lub ramką z notą u góry kolumny, a także nagłówkiem lub notą pełnej szerokości w środkowej części strony.
2. Zapisz pięć fraz kotwicznych w kolejności czytania: pierwsze słowa lewej kolumny, ostatnie słowa lewej kolumny, pierwsze słowa prawej kolumny, element pełnej szerokości i podpis.
3. Skopiuj całą stronę z przeglądarki PDF i wklej ją do edytora tekstu. Jeśli używasz narzędzia z podglądem źródła, użyj tego podglądu, ponieważ pokazuje kolejność, którą narzędzie faktycznie otrzymało.
4. Znajdź kotwice w wklejonym tekście. Powinny pojawić się w kolejności, w jakiej je zapisałeś, a żaden pojedynczy wiersz nie powinien zawierać słów z obu kolumn.
5. Powtórz dla jednego innego typu strony, na przykład strony z bibliografią, strony z panelem bocznym lub pierwszej strony rozdziału.

Zinterpretuj wynik w ten sposób:

Kopiowanie i wklejanie to szybka kontrola, a nie dowód na to, co zrobi inne narzędzie. Nasza tabela pokazuje, że dwa narzędzia mogą odczytać ten sam plik inaczej. Wynik w Twojej przeglądarce mówi, jak ryzykowny jest plik. Podgląd w samym narzędziu lub testowe tłumaczenie jednej strony mówi, co to narzędzie faktycznie odczytuje.

Jeśli tekst wkleja się z poprawnymi literami, ale zepsutymi odstępami lub podziałami wierszy, napraw problemy z kopiowaniem i wklejaniem tekstu, zanim ocenisz kolejność kolumn.

Krok 2: Wybierz proces na podstawie tego, co zobaczyłeś

Wybierz proces na podstawie kontroli, a nie na podstawie twierdzenia narzędzia, że zachowuje Twój układ.

Kolejność jest poprawna, a tekst można zaznaczyć. Przetłumacz PDF jako plik, a nie przez wklejanie fragmentów. Proces zachowujący układ umieszcza przetłumaczony tekst z powrotem na stronie, dzięki czemu kolumny, ryciny i żywe pagina pozostają tam, gdzie czytelnicy się ich spodziewają. W BookTranslator to standardowa ścieżka tłumaczenia PDF. Każdą obietnicę zachowania układu, w tym naszą, traktuj jako coś do zweryfikowania na najtrudniejszej stronie znalezionej w kroku 1, a nie jako gwarancję.

Kolejność psuje się tylko w pobliżu rycin lub elementów w ramkach. Przed przetłumaczeniem całego dokumentu przepuść jedną problematyczną stronę przez wybrane narzędzie. Jeśli ta strona wychodzi we właściwej kolejności, narzędzie nie stosuje tej samej strategii co Twoja kontrola kopiowania. Jeśli wychodzi pomieszana, zmień proces, zamiast liczyć, że reszta pliku zachowa się inaczej.

Strona jest zeskanowana lub warstwa tekstowa jest bezużyteczna. Użyj OCR. Tryb OCR w BookTranslator odczytuje obraz strony i odtwarza czysty przetłumaczony PDF. Ta strona zaleca go do podręczników, prac naukowych, tabel i stron z dużą ilością obrazów, gdzie zachowanie treści jest ważniejsze niż dokładny układ. Nie testowaliśmy go na materiałach z tego przewodnika. Kompromis jest wyraźny: tryb OCR nie próbuje zachować oryginalnego układu, czcionek ani rozmiarów czcionek. W przypadku skanów zobacz w szczególności jak przetłumaczyć zeskanowany PDF.

I tak potrzebujesz edytowalnego dokumentu. Przekonwertuj PDF do Worda, popraw tam kolejność odczytu i przetłumacz DOCX. To wymaga najwięcej pracy, ale jest jedyną drogą, na której możesz bezpośrednio poprawić kolejność akapitów przed tłumaczeniem. Zmienia też układ, więc używaj jej, gdy wynik będzie dalej edytowany, a nie gdy musi wyglądać jak oryginalna strona.

Unikaj wklejania kolumn do chatbota lub pola tekstowego. Bierzesz na siebie ręczne odtworzenie kolejności, podpisów i przypisów na każdej stronie. Nasza tabela pokazuje, jak łatwo ta kolejność się psuje, zanim jeszcze zaczniesz.

W przypadku prac naukowych, gdzie ten sam problem łączy się z równaniami, cytowaniami i bibliografią, postępuj zgodnie z procesem tłumaczenia prac naukowych. Ogólny proces zachowujący układ dla wszystkich typów PDF opisano w jak przetłumaczyć PDF z zachowaniem formatowania.

Krok 3: Sprawdź przetłumaczone kolumny

Tłumaczenie wielokolumnowe zawodzi w miejscach, które szybkie przejrzenie pomija. Sprawdź te pięć miejsc na każdym typie strony testowanym w kroku 1:

1. Przełamanie kolumny. Przeczytaj ostatnie zdanie lewej kolumny i pierwsze zdanie prawej. Wywód powinien się kontynuować, a nie przeskakiwać do innego akapitu.
2. Podpisy i ryciny. Każdy podpis powinien nadal znajdować się pod własną ryciną, przetłumaczony, i nie powinien przesunąć się do tekstu głównego.
3. Elementy pełnej szerokości. Nagłówki, noty i wyróżnione cytaty obejmujące obie kolumny powinny nadal je obejmować i nie powinny zostać rozdzielone na dwa półzdania.
4. Przypisy i żywe pagina. Oznaczenia przypisów w tekście powinny odpowiadać notom na dole strony, a nagłówki stron nie powinny pojawiać się w środku akapitu.
5. Przepełnienie w wąskich kolumnach. Przetłumaczony tekst jest często dłuższy niż źródłowy. Wytyczne W3C dotyczące rozmiaru tekstu w tłumaczeniu przytaczają dane IBM mówiące o około 130% długości dla angielskiego tekstu źródłowego powyżej 70 znaków przy tłumaczeniu na języki europejskie, z większymi wzrostami dla krótkich ciągów. Wąska kolumna ma mało miejsca na ten dodatkowy tekst, więc szukaj uciętych wierszy, zmniejszonego pisma lub tekstu nachodzącego na ryciny. Nagłówki i komórki tabeli najczęściej ulegają przepełnieniu.

Do przeglądu pomocny jest plik dwujęzyczny, ale jego układ ma znaczenie. Umieszczenie źródła i tłumaczenia na tej samej stronie wciska dwa języki w kolumny, które i tak były wąskie. W standardowym tłumaczeniu PDF BookTranslatora (z wyłączonym trybem OCR) dwujęzyczny PDF oferuje dwa układy: Ta sama strona i Osobne strony. W przypadku dokumentów wielokolumnowych wybierz Osobne strony: po każdej stronie źródłowej następuje jej przetłumaczona strona, dzięki czemu każda kolumna zachowuje swoją oryginalną szerokość. Nadal możesz pobrać również wersję zawierającą tylko tłumaczenie. Nasza lista kontrolna QA tłumaczenia PDF obejmuje pozostałe kontrole na poziomie pliku.

Jeśli przetłumaczony PDF ma również działać z czytnikami ekranu, kolejność wizualna nie wystarczy. Oznaczona kolejność czytania wymaga osobnego sprawdzenia. W3C zauważa, że kolejność czytania w oznaczonym PDF jest „określana przede wszystkim przez kolejność znaczników elementów dokumentu” (W3C PDF3). Nasz przewodnik po dostępności przetłumaczonego PDF pokazuje, jak to przetestować.

Czego ten przewodnik nie twierdzi

• To nie jest ranking narzędzi. Siedem ekstraktorów wybrano, ponieważ są powszechne i łatwe do ponownego uruchomienia. Każdy z nich zawiódł na co najmniej jednym z trzech plików, a inny plik testowy mógłby zmienić, które zawodzą.
• Nie testowano produktów tłumaczeniowych. Nie uruchamialiśmy BookTranslatora, DeepL, Google Translate ani żadnego innego tłumacza na tych plikach. Powyższe opisy produktów pochodzą z aktualnych materiałów produktowych BookTranslatora, a nie z tego testu.
• Jedna strona to nie dokument. Prawdziwe pliki mieszają projekty stron, więc sprawdź co najmniej dwa typy stron.
• Oznaczone pliki PDF mogą zachowywać się inaczej. Nasze pliki testowe nie są oznaczone. Prawidłowo oznaczony PDF zawiera jawną kolejność czytania, z której korzystają niektóre narzędzia.

Praktyczna zasada i tak obowiązuje: dowiedz się, jak czyta się Twój PDF, zanim go przetłumaczysz. Jeśli kolejność jest prawidłowa, przetłumacz plik i sprawdź kolumny. Jeśli jest nieprawidłowa, zmień przepływ pracy, a nie ustawienia tłumaczenia.