Jak przetłumaczyć plik PDF, zachowując jego formatowanie

Szybka odpowiedź: Zachowaj znaczącą strukturę dokumentu, a nie każdą współrzędną

Aby przetłumaczyć plik PDF bez utraty formatowania, najpierw ustal, czy zawiera on zaznaczalny tekst, zeskanowane obrazy, czy jedno i drugie. Następnie przetestuj najtrudniejszą reprezentatywną stronę za pomocą świadomego układu tłumacza PDF przed przetworzeniem całego pliku. Osobno przejrzyj kolejność czytania, nadmiar tekstu, tabele, etykiety wykresów, przypisy, czcionki oraz tekst od prawej do lewej.

Celem nie jest identyczność co do piksela. Tłumaczenie może zmienić miejsce podziału wiersza lub dodać stronę, a mimo to poprawnie zachować dokument. Zawodzi ono wtedy, gdy informacje znikają, trafiają do niewłaściwego wiersza tabeli, stają się nieczytelne lub tracą powiązanie z podpisem, przypisem bądź elementem wizualnym.

Użyj tej tabeli decyzyjnej jako punktu wyjścia:

Jest to centralny przepływ pracy dla kategorii tłumaczenia PDF. Jeśli wybierasz pomiędzy produktami zamiast diagnozować plik, zacznij od porównania tłumaczy PDF. Jeśli nie możesz zaznaczyć żadnego tekstu, przejdź bezpośrednio do przepływu pracy dla zeskanowanych PDF-ów i OCR.

Co naprawdę powinno oznaczać „zachowanie formatowania”

Zachowanie formatowania nie jest prostą funkcją typu działa/nie działa. Składa się ono z co najmniej pięciu warstw:

1. Kompletność treści: każdy znaczący akapit, etykieta, ostrzeżenie, numer i uwaga pozostają obecne.
2. Struktura logiczna: nagłówki, listy, komórki tabel, podpisy, przypisy i kolejność czytania nadal wyrażają te same relacje.
3. Hierarchia wizualna: tytuły nadal wyglądają jak tytuły, podpisy pozostają podrzędne, a powiązane obiekty pozostają pogrupowane.
4. Obsługa skryptów: wybrane czcionki zawierają docelowe glify, a kierunkowość i interpunkcja renderują się poprawnie.
5. Użyteczność strony: wynik pozostaje czytelny w normalnym rozmiarze bez obcinania, nakładania się czy indiscriminate (bezkrytycznego) zmniejszania czcionki.

Dokumentacja PDF firmy Adobe opisuje widoczną zawartość strony jako listę obiektów i operacji znakowania, a nie jako sekwencję edytowalnych akapitów znaną z programu Word. Odróżnia ona również logiczną strukturę dokumentu od jego wizualnego umiejscowienia. To rozróżnienie wyjaśnia, dlaczego plik PDF może wyglądać poprawnie, podczas gdy kopiowany tekst, kolejność ułatwień dostępu lub kolejność tłumaczenia są błędne. Zobacz dokumentację Adobe dotyczącą zawartości strony PDF oraz struktury logicznej w tagowanych plikach PDF.

Praktyczna zasada jest prosta: porównuj przetłumaczony dokument na poziomie relacji, a nie samych zrzutów ekranu.

Powtarzalny test stresowy układu PDF

Stworzyliśmy dwustronicowy syntetyczny test stresowy tłumaczenia układu PDF, dzięki któremu trudne elementy pliku PDF można przetestować bez dokumentów klientów. Jest to plik w formacie A4, tagowany PDF ze zmyślonymi nazwami i danymi liczbowymi. Jest to element testowy (fixture), a nie benchmark dostawcy i nie dowód na to, że jakiekolwiek narzędzie generuje dokładne tłumaczenie.

Strona 1 testuje:

• dwukolumnową kolejność czytania;
• tabelę z scaloną komórką;
• liczbę całkowitą, kwotę w walucie, podpisany procent i wzór;
• etykiety wykresów, których pozycja niesie ze sobą znaczenie;
• celowo wąski, stały region tekstowy;
• przypis, który musi pozostać połączony ze swoim znacznikiem.

Strona 2 umieszcza angielski, niemiecki, chiński i arabski tekst w polach o tej samej wielkości. Obnaża to cztery różne problemy: lokalne rozszerzenie, zawijanie wierszy, brakujące glify oraz układ dwukierunkowy.

Wytyczne W3C dotyczące rozmiaru tekstu w tłumaczeniu wyjaśniają, dlaczego krótkie etykiety i ciasno ograniczone regiony mogą nieproporcjonalnie się rozszerzać, podczas gdy inne tłumaczenia mogą się kurczyć. Algorytm dwukierunkowy standardu Unicode określa, w jaki sposób rozwiązywane są mieszane znaki od lewej do prawej i od prawej do lewej. Żadnego z tych problemów nie da się rozwiązać w sposób niezawodny poprzez liczenie znaków źródłowych.

Pobierz element testowy i uruchom go w dowolnym procesie, który rozważasz. Zarejestruj narzędzie, datę, ustawienia, język źródłowy, język docelowy i plik wyjściowy. Zmienia to stwierdzenie „formatowanie wygląda w porządku” w powtarzalny test.

Przeanalizuj swój PDF przed jego przetłumaczeniem

1. Przetestuj, czy tekst jest zaznaczalny

Spróbuj zaznaczyć jedno zdanie i jedną komórkę tabeli.

• Jeśli oba elementy zaznaczają się czysto, plik PDF prawdopodobnie ma użyteczną warstwę tekstową.
• Jeśli cała strona zaznacza się jako jeden obraz, wymaga ona OCR.
• Jeśli tekst zaznacza się w postaci maleńkich fragmentów lub skopiowane wiersze docierają w nieodpowiedniej kolejności, umiejscowienie wizualne nie jest tożsame ze strukturą logiczną.

Firma Adobe zauważa, że zeskanowany plik PDF początkowo zawiera dane obrazu, a nie przeszukiwalny tekst. Funkcja OCR dodaje zaznaczalną, przeszukiwalną warstwę, ale Adobe zaleca również przeglądanie błędów rozpoznawania po przetworzeniu. Zobacz artykuł Rozpoznawanie tekstu w zeskanowanych plikach PDF.

2. Skopiuj trudną sekcję do edytora czystego tekstu

Zrób to z akapitem dwukolumnowym, jednym pełnym wierszem tabeli oraz podpisem. Jeśli wklejona kolejność jest błędna przed tłumaczeniem, warstwa tłumaczenia startuje z niewłaściwej sekwencji.

Dokumentacja narzędzia Kolejność czytania firmy Adobe pokazuje, że złożone tabele, rysunki, blisko siebie umieszczone kolumny i elementy strony mogą wymagać jawnej kolejności i naprawy tagów. Płynność języków nie naprawi akapitu, który został złożony z niewłaściwych fragmentów.

3. Wybierz najtrudniejszą reprezentatywną stronę

Nie testuj strony tytułowej. Wybierz stronę, która najprawdopodobniej zawiedzie:

• najgęstszą tabelę;
• najwęższy pasek boczny lub boks wyróżniony (callout);
• dwukolumnową stronę z przypisem;
• wykres z krótkimi etykietami;
• stronę zawierającą pisma CJK, arabskie, dewanagari lub mieszane skrypty;
• skan o niskim kontrastie lub przekrzywieniu.

Jeśli najtrudniejsza strona zawiedzie, tłumaczenie najpierw 200 łatwiejszych stron stworzy tylko więcej pracy przy czyszczeniu.

4. Zarejestruj nienegocjowalne ograniczenia

Różne dokumenty wymagają różnych definicji pojęcia „zachowany”.

Zapisz te ograniczenia przed wybraniem naprawy. W przeciwnym razie osoby weryfikujące mają tendencję do ochrony podobieństwa wizualnego nawet wtedy, gdy szkodzi ono znaczeniu.

Najbezpieczniejszy kompleksowy przepływ pracy

Krok 1: Zachowaj źródło i ustal punkt odniesienia

Zachowaj nietknięty plik źródłowy. Zanotuj liczbę stron, typ pliku, język, informację, czy plik PDF jest tagowany oraz czy tekst jest zaznaczalny. Jeśli dokument będzie później aktualizowany, zachowaj oryginalny dokument źródłowy oraz plik PDF.

Krok 2: Uruchom OCR tylko wtedy, gdy jest to konieczne

W przypadku stron zawierających wyłącznie obrazy uruchom OCR w poprawnym języku źródłowym. Przed tłumaczeniem sprawdź nazwy, liczby, interpunkcję, tabele, przypisy i obszary o niskim kontrastem. Błędy OCR są błędami występującymi na wczesnym etapie: system tłumaczeniowy może wygenerować płynny tekst z tekstu, który został rozpoznany niepoprawnie.

Dedykowany przewodnik po zeskanowanych plikach PDF zawiera więcej szczegółów na temat czyszczenia skanów, wyboru języka OCR, podejrzanych znaków oraz kontroli prywatności.

Krok 3: Przetłumacz reprezentatywną stronę

Użyj przepływu pracy zaprojektowanego w celu zwrócenia dokumentu, a nie tylko przetłumaczonego tekstu. W przypadku większości sformatowanych plików PDF oznacza to przesłanie pliku testowego do tłumacza PDF BookTranslator, wybranie pary językowej i przejrzenie zwróconego pliku PDF.

Nie oceniaj wyłącznie najprostszego akapitu. Porównaj dokładnie elementy wymienione w punkcie odniesienia.

Krok 4: Sprawdź strukturę przed słownictwem

Sprawdź w następującej kolejności:

1. Czy uwzględniono wszystkie regiony źródłowe?
2. Czy kolejność czytania jest poprawna?
3. Czy wiersze tabel, etykiety wykresów, podpisy i przypisy nadal wskazują właściwe obiekty?
4. Czy liczby, nazwy, jednostki i wzory są nienaruszone?
5. Czy docelowy skrypt renderuje się poprawnie?
6. Dopiero potem: czy tłumaczenie jest płynne i dokładne?

Dopracowane tłumaczenie niewłaściwej kolejności tekstu nadal jest uszkodzonym dokumentem.

Krok 5: Przetłumacz cały plik i przesampleuj ryzykowne strony

Po pomyślnym przejściu reprezentatywnej strony przetłumacz kompletny plik PDF. Przejrzyj pierwsze, środkowe i ostatnie wystąpienie każdej ryzykownej struktury zamiast sprawdzać tylko pierwszą stronę.

W przypadku długiego raportu może to oznaczać:

• pierwszą i ostatnią stronę dwukolumnową;
• najprostszą i najgęstszą tabelę;
• wykres w pobliżu początku i końca;
• każdą stronę z ostrzeżeniem;
• każdą stronę, na której zmienia się skrypt docelowy lub czcionka.

Krok 6: Zastosuj najmniej destrukcyjną naprawę

Naprawiaj problem lokalny lokalnie. Nie pomniejszaj globalnie dokumentu tylko dlatego, że jeden nagłówek jest długi.

Rozwiązywanie problemu przelewania się tekstu bez pomniejszania wszystkiego

Przetłumaczony tekst przelewa się, gdy docelowe sformułowanie nie mieści się już w geometrii regionu źródłowego. Bezpośrednią przyczyną może być ekspansja tekstu, ale wiążącym ograniczeniem jest zazwyczaj jedno konkretne pole, kolumna, wiersz, czcionka lub reguła łamania wierszy.

Zastosuj naprawy w tej kolejności:

Nie polegaj na jednym odsetku ekspansji języka. Niemiecki akapit może pasować, podczas gdy złożony nagłówek zawiedzie. Chińska proza może się skurczyć, podczas gdy nieprzetłumaczony adres URL nadal przekracza komórkę. Język arabski może pasować pod względem liczby znaków, ale zawieść, ponieważ czcionka, kształtowanie, interpunkcja lub kierunek są błędne.

Skorzystaj z tej diagnostyki:

• Obcięty w jednym polu: zmień rozmiar lub układ tego regionu.
• Kwadraty lub brakujące znaki: zastąp lub osadź czcionkę z wymaganymi glifami.
• Długie słowa lub adresy URL nie chcą się zawijać: napraw reguły łamania wierszy lub dzielenia wyrazów.
• Zawodzą tylko nagłówki tabel: użyj naprawy specyficznej dla tabel.
• Powtarzające się nagłówki kolidują na każdej stronie: popraw szablon strony zamiast każdego akapitu.
• Dwa fragmenty stają się jednym przesadnie dużym akapitem: napraw kolejność czytania przed dotknięciem typografii.

Jeśli układ źródłowy nie ma miejsca na wersję w języku docelowym wierną oryginałowi, identyczne współrzędne są niewłaściwym kryterium akceptacji. Zamiast tego zachowaj kompletność, hierarchię i czytelność.

Zachowaj tabele, wykresy, liczby i przypisy

Tabela w formacie PDF nie zawsze jest przechowywana jako tabela. Może to być edytowalny tekst nad liniami siatki, wiele pozycjonowanych fragmentów lub pojedynczy obraz. Etykieta wykresu może być osobnym tekstem lub wbudowana w grafikę.

Tworzy to cztery niezależne klasy błędów:

Użyj przeglądu chronionych tokenów dla:

• liczb całkowitych i dziesiętnych;
• znaków dodatnich i ujemnych;
• procentów, walut, dat i numerów wersji;
• jednostek i wzorów;
• numerów tabel i rysunków;
• znaczników przypisów i tekstu ich kwalifikującego.

Konwencje regionalne mogą zmieniać separatory dziesiętne lub umiejscowienie waluty. Pytanie nie brzmi, czy każdy znak jest identyczny; chodzi o to, czy element docelowy reprezentuje tę samą ilość i pozostaje przypisany do właściwej etykiety.

Dla każdej tabeli zweryfikuj:

1. Liczba wierszy i kolumn nadal się zgadza.
2. Scalone komórki obejmują te same rekordy.
3. Każda liczba pozostaje powiązana ze swoją etykietą źródłową.
4. Jednostki, znaki i precyzja są poprawne.
5. Przypisy nadal kwalifikują zamierzoną wartość.
6. Zawijanie nagłówków nie ukryło zawartości.

W przypadku każdego wykresu zweryfikuj, czy geometria i dane pozostały niezmienione, etykiety nadal identyfikują właściwe znaczniki wizualne, a podpisy pozostają przymocowane. Jeśli etykiety są osadzone w obrazie, użyj OCR uwzględniającego obrazy i narysuj je ponownie lub zachowaj oryginalny wykres z przetłumaczonym podpisem bądź legendą. Nie rozciągaj ani nie przycinaj wykresu, aby dopasować dłuższe etykiety.

Jeśli tabela finansowa, naukowa lub prawna zawiera chociaż jedną błędną relację wartości, dokument zawodzi bez względu na to, jak dopracowany wygląda.

Wybierz dwujęzyczny układ PDF

Dwujęzyczny plik PDF jest przydatny, gdy ktoś musi zweryfikować element docelowy względem źródła. Nie jest on automatycznie najlepszym ostatecznym rezultatem.

Nie dopasowuj według wizualnych podziałów wierszy. Tłumaczenie może podzielić jedno zdanie źródłowe na dwa zdania docelowe lub połączyć dwa krótkie zdania. Jako stabilne kotwice wykorzystuj nagłówki, sekwencję akapitów, numery tabel, numery rysunków, elementy list oraz znaczniki przypisów.

Układ obok siebie jest słabym domyślnym wyborem, gdy źródło ma już wiele kolumn, gęste tabele, notatki na marginesie lub dużą lokalną ekspansję. W takich przypadkach strony naprzeciwległe lub zsynchronizowane pliki jednojęzyczne zachowują normalną szerokość czytania i ułatwiają izolowanie błędów.

Oba języki powinny pozostać przeszukiwalne i zaznaczalne, jeśli to możliwe. Sprawdź kolejność kopiowanego tekstu, metadane języka dokumentu, nagłówki, znaczniki tabel i opisy rysunków. Jeśli dostępność jest twardym wymaganiem, osobne pliki jednojęzyczne są często bezpieczniejsze niż złożona struktura z naprzemiennymi kolumnami.

Wybierz odpowiednie narzędzie do danego zadania

Dedykowany tłumacz PDF

Użyj dedykowanego tłumacza do długich, sformatowanych lub przeznaczonych dla klientów plików PDF. Jest to właściwy punkt wyjścia, gdy wymagany wynik to kolejny użyteczny plik PDF, a nie transkrypcja tekstowa.

Google Translate

Użyj Google Translate do szybkiego zrozumienia krótkich, prostych dokumentów, gdy układ nie jest ostatecznym rezultatem. Strony wielokolumnowe, skany, gęste tabele i ostateczna publikacja wymagają bardziej kontrolowanego przepływu pracy. Przewodnik po plikach PDF w Google Translate omawia proces dokumentowy i oznaki błędów.

ChatGPT

Użyj ChatGPT do krótkich fragmentów, przygotowywania słowniczka, decyzji dotyczących tonu i weryfikacji dwujęzycznej. Nie traktuj interfejsu czatu jako silnika układu strony dla długiego pliku PDF. Przepływ pracy PDF w ChatGPT zawiera monity zabraniające streszczania i dodawania treści.

Konwersja PDF do DOCX

Konwertuj najpierw tylko wtedy, gdy zamierzasz edytować lub przebudować dokument ręcznie. Konwersja może dzielić tabele, zmieniać kolejność fragmentów i zamieniać etykiety wykresów w pływające pola przed rozpoczęciem tłumaczenia. Przetestuj najtrudniejszą stronę przed podjęciem zobowiązań. Jeśli skonwertowany plik DOCX jest czysty strukturalnie, kontynuuj z tłumaczem DOCX; jeśli jest już uszkodzony, tłumaczenie nie naprawi konwersji.

Recenzent ludzki lub dwujęzyczny

Użyj wykwalifikowanego recenzenta do treści prawnych, medycznych, finansowych, o znaczeniu krytycznym dla bezpieczeństwa, akademickich lub publikowanych. Proces układu może zachować każde pole, podczas gdy znaczenie nadal będzie błędne. Użyj realnych próbek tłumaczeniowych, aby zobaczyć, jak oddzielamy weryfikację językową od weryfikacji układu.

Lista kontrolna akceptacji tłumaczenia PDF

Blokery

• Brakujący lub przycięty tekst
• Nieprawidłowa kolejność czytania
• Nakładające się akapity lub etykiety
• Liczby przypisane do niewłaściwego wiersza lub elementu wykresu
• Zmienione wzory, znaki, jednostki lub odniesienia
• Nieczytelny rozmiar czcionki
• Brakujące glify w języku docelowym
• Złamany kierunek oraz interpunkcja w języku arabskim lub hebrajskim
• Ukryte ostrzeżenia, podpisy lub przypisy

Poważne defekty

• Niezręczne, ale czytelne zawijanie
• Podpisy oddzielone od rysunków
• Duży, niewyjaśniony dryf stron
• Niespójne traktowanie nagłówków
• Powtarzające się lokalne zmiany rozmiaru czcionki
• Dwujęzyczne bloki dopasowane do niewłaściwego fragmentu źródłowego

Różnice kosmetyczne

• Różne końce wierszy
• Niewielkie zmiany białych znaków
• Skromna zmiana liczby stron ze skorygowanymi odniesieniami
• Nieznacznie różne wysokości wierszy tabeli przy widocznej całej zawartości

Dla każdej wadliwej strony zarejestruj stronę źródłową, typ elementu, objaw, wiążące ograniczenie, naprawę oraz informację, czy wymagana jest weryfikacja znaczenia dwujęzycznego. Ten ślad audytowy jest bardziej użyteczny niż stwierdzenie „formatowanie dostosowane”.

Zalecany przepływ pracy dla większości plików PDF

1. Zachowaj nietknięty źródłowy plik PDF.
2. Sprawdź, czy tekst i komórki tabeli są zaznaczalne.
3. Uruchom OCR tylko dla treści składających się wyłącznie z obrazów, a następnie przeanalizuj błędy rozpoznawania.
4. Pobierz test stresowy PDF lub wybierz najtrudniejszą stronę z własnego pliku.
5. Przetłumacz tę reprezentatywną stronę za pomocą tłumacza PDF.
6. Przed płynnością językową sprawdź kolejność czytania, tabele, liczby, etykiety, przypisy, czcionki i kierunek.
7. Przetłumacz kompletny plik dopiero po pomyślnym przejściu strony reprezentatywnej.
8. Naprawiaj lokalne ograniczenia lokalnie; nie pomniejszaj globalnie dokumentu.
9. Przechowuj źródło, przetłumaczony plik PDF, ustawienia, słowniczek i notatki z recenzji razem na potrzeby przyszłych wersji.

W przypadku równań, cytowań i układów badawczych kontynuuj z przepływem pracy tłumaczenia artykułów naukowych. Jeśli nadal decydujesz, czy źródłem powinien być format PDF czy EPUB, użyj przewodnika decyzyjnego EPUB vs PDF.