Cum să traduci un PDF păstrând formatul

Răspuns rapid: păstrează structura semnificativă a documentului, nu fiecare coordonată

Pentru a traduce un PDF fără a pierde formatarea, stabilește mai întâi dacă acesta conține text selectabil, imagini scanate sau ambele. Apoi testează cea mai dificilă pagină reprezentativă cu un traducător PDF care ține cont de aspect înainte de a procesa întregul fișier. Verifică separat ordinea de citire, depășirea textului, tabelele, etichetele graficelor, notele de subsol, fonturile și textul de la dreapta la stânga.

Scopul nu este o identitate pixel cu pixel. O traducere poate muta un rând sau adăuga o pagină și totuși păstrează corect documentul. Ea eșuează atunci când informația dispare, se mută în rândul greșit al tabelului, devine ilizibilă sau își pierde relația cu o legendă, o notă de subsol sau un element vizual.

Folosește acest tabel de decizie ca punct de plecare:

Acesta este fluxul de lucru central pentru categoria Traducere PDF. Dacă alegeți între produse în loc să diagnosticați un fișier, începeți cu comparația traducătorilor PDF. Dacă nu puteți selecta niciun text, mergeți direct la fluxul de lucru pentru PDF scanat și OCR.

Ce ar trebui să însemne de fapt „Păstrarea formatării”

Păstrarea formatării nu este o singură caracteristică de tip trecut/nereușit. Are cel puțin cinci straturi:

1. Completitudinea conținutului: fiecare paragraf, etichetă, avertisment, număr și notă semnificativă rămâne prezent.
2. Structura logică: titlurile, listele, celulele de tabel, legendele, notele de subsol și ordinea de citire exprimă în continuare aceleași relații.
3. Ierarhia vizuală: titlurile arată în continuare ca titluri, legendele rămân subordonate, iar obiectele înrudite rămân grupate.
4. Suportul pentru scriere: fonturile alese conțin glifele țintă, iar direcționalitatea și punctuația se afișează corect.
5. Utilizabilitatea paginii: rezultatul rămâne lizibil la o dimensiune normală, fără tăiere, suprapunere sau micșorare nediscriminatorie a fontului.

Documentația Adobe privind PDF descrie conținutul vizibil al paginii ca o listă de obiecte și operații de marcare, nu ca o secvență de paragrafe editabile asemănătoare Word. De asemenea, distinge structura logică a unui document de plasarea sa vizuală. Această distincție explică de ce un PDF poate arăta corect în timp ce textul copiat, ordinea de accesibilitate sau ordinea de traducere sunt greșite. Consultați documentația Adobe despre conținutul paginii PDF și structura logică în PDF-urile etichetate.

Regula practică este simplă: comparați documentul tradus la nivel de relații, nu doar prin capturi de ecran.

Un test de stres reproductibil pentru aspectul PDF

Am creat un test de stres pentru traducerea aspectului PDF sintetic de două pagini, astfel încât părțile dificile ale unui PDF să poată fi testate fără documente ale clienților. Este un PDF A4, etichetat, cu nume și cifre inventate. Este un exemplu de test, nu un benchmark al furnizorilor și nu o dovadă că vreun instrument produce o traducere corectă.

Pagina 1 testează:

• ordinea de citire pe două coloane;
• un tabel cu o celulă îmbinată;
• un număr întreg, o sumă în valută, un procent cu semn și o formulă;
• etichete de grafic a căror poziție transmite sens;
• o regiune de text fixă, deliberat îngustă;
• o notă de subsol care trebuie să rămână conectată la marcajul său.

Pagina 2 plasează text în engleză, germană, chineză și arabă în casete de dimensiuni egale. Ea expune patru probleme diferite: expansiunea locală, trecerea la linie nouă, glifele lipsă și aspectul bidirecțional.

Îndrumările W3C privind dimensiunea textului în traducere explică de ce etichetele scurte și regiunile strâmt constrânse se pot extinde disproporționat, în timp ce alte traduceri se pot contracta. Algoritmul bidirecțional al Unicode specifică modul în care sunt rezolvate caracterele mixte de la stânga la dreapta și de la dreapta la stânga. Niciuna dintre probleme nu poate fi rezolvată în mod fiabil prin numărarea caracterelor sursă.

Descarcă fișierul de test și rulează-l prin orice flux de lucru pe care îl iei în considerare. Înregistrează instrumentul, data, setările, limba sursă, limba țintă și fișierul de ieșire. Astfel, „formatarea arată bine” devine un test repetabil.

Diagnostichează-ți PDF-ul înainte de a-l traduce

1. Testează dacă textul poate fi selectat

Încearcă să selectezi o propoziție și o celulă de tabel.

• Dacă ambele se selectează curat, PDF-ul are probabil un strat de text utilizabil.
• Dacă întreaga pagină se selectează ca o singură imagine, are nevoie de OCR.
• Dacă textul se selectează în fragmente minuscule sau rândurile copiate ajung în ordine greșită, plasarea vizuală nu este același lucru cu structura logică.

Adobe notează că un PDF scanat conține inițial date de imagine, nu text căutabil. OCR adaugă un strat selectabil și căutabil, dar Adobe recomandă, de asemenea, să verifici erorile de recunoaștere după procesare. Vezi Recunoașterea textului în PDF-uri scanate.

2. Copiază o secțiune dificilă într-un editor de text simplu

Fă acest lucru cu un paragraf pe două coloane, un rând complet de tabel și o legendă. Dacă ordinea lipită este greșită înainte de traducere, stratul de traducere pornește de la o secvență greșită.

Documentația Adobe pentru instrumentul Ordinea de citire arată că tabelele complexe, figurile, coloanele apropiate și elementele de pagină pot necesita repararea explicită a ordinii și etichetării. Fluența nu poate repara un paragraf care a fost asamblat din fragmente greșite.

3. Alege pagina reprezentativă cea mai dificilă

Nu testa pagina de titlu. Alege pagina care are cele mai mari șanse să eșueze:

• cel mai dens tabel;
• cea mai îngustă bară laterală sau casetă de evidențiere;
• o pagină pe două coloane cu o notă de subsol;
• un grafic cu etichete scurte;
• o pagină care conține CJK, arabă, devanagari sau scrieri mixte;
• o scanare cu contrast scăzut sau înclinată.

Dacă pagina cea mai dificilă eșuează, traducerea a 200 de pagini mai ușoare mai întâi creează doar mai mult de curățat.

4. Notează constrângerile nenegociabile

Diferite documente necesită definiții diferite ale termenului „păstrat”.

Notați aceste constrângeri înainte de a alege o soluție de reparare. Altfel, recenzenții tind să protejeze asemănarea vizuală chiar și atunci când aceasta afectează sensul.

Cel mai sigur flux de lucru de la un capăt la altul

Pasul 1: Păstrați sursa și stabiliți o referință

Păstrați un fișier sursă nemodificat. Înregistrați numărul de pagini, tipul fișierului, limba, dacă PDF-ul este etichetat și dacă textul poate fi selectat. Dacă documentul va fi actualizat ulterior, păstrați atât documentul sursă original, cât și PDF-ul.

Pasul 2: Rulați OCR doar când este necesar

Pentru paginile care conțin doar imagini, rulați OCR în limba sursă corectă. Verificați numele, numerele, punctuația, tabelele, notele de subsol și regiunile cu contrast scăzut înainte de traducere. Erorile OCR sunt erori în amonte: un sistem de traducere poate produce un rezultat fluent dintr-un text care a fost recunoscut incorect.

Ghidul dedicat pentru PDF-uri scanate acoperă în detaliu curățarea scanărilor, selectarea limbii pentru OCR, caracterele suspecte și verificările de confidențialitate.

Pasul 3: Tradu pagina reprezentativă

Folosește un flux de lucru conceput să returneze un document, nu doar text tradus. Pentru majoritatea PDF-urilor formatate, asta înseamnă să încarci fișierul de test în BookTranslator PDF Translator, să selectezi perechea de limbi și să verifici PDF-ul returnat.

Nu evalua doar paragraful cel mai simplu. Compară exact elementele enumerate în referința ta.

Pasul 4: Verifică structura înainte de formulare

Verifică în această ordine:

1. Au fost incluse toate regiunile sursă?
2. Este ordinea de citire corectă?
3. Rândurile de tabel, etichetele graficelor, legendele și notele de subsol mai indică spre obiectele corecte?
4. Sunt numerele, numele, unitățile și formulele intacte?
5. Se afișează corect scrierea țintă?
6. Abia apoi: este traducerea fluentă și exactă?

O traducere îngrijită a textului în ordinea greșită rămâne un document eșuat.

Pasul 5: Tradu fișierul complet și testează paginile cu risc

După ce pagina reprezentativă trece verificarea, tradu întregul PDF. Verifică prima, cea din mijloc și ultima apariție a fiecărei structuri cu risc, nu doar prima pagină.

Pentru un raport lung, asta poate însemna:

• prima și ultima pagină cu două coloane;
• cel mai simplu și cel mai dens tabel;
• un grafic aproape de început și de sfârșit;
• fiecare pagină de avertizare;
• fiecare pagină unde se schimbă scrierea țintă sau fontul.

Pasul 6: Aplică reparația cea mai puțin distructivă

Remediază o problemă locală la nivel local. Nu micșora global documentul pentru că un titlu este lung.

Remediază depășirea textului fără a micșora totul

Textul tradus se revarsă atunci când formularea țintă nu se mai potrivește în geometria regiunii sursă. Cauza imediată poate fi expansiunea textului, dar constrângerea determinantă este de obicei un anumit chenar, coloană, rând, font sau regulă de rupere a rândurilor.

Aplicați remedierile în această ordine:

Nu vă bazați pe un singur procent de expansiune a limbii. Un paragraf în germană poate încăpea, în timp ce un titlu compus eșuează. Proza în chineză se poate contracta, în timp ce un URL netradus încă depășește o celulă. Araba poate încăpea după numărul de caractere, dar eșuează pentru că fontul, formatarea, punctuația sau direcția sunt greșite.

Folosiți acest diagnostic:

• Decupat într-o casetă: redimensionați sau rearanjați acea regiune.
• Casete sau caractere lipsă: înlocuiți sau încorporați un font cu glifele necesare.
• Cuvinte lungi sau URL-uri refuză să se împartă: corectați regulile de rupere a liniei sau de despărțire în silabe.
• Doar anteturile de tabel eșuează: folosiți o reparare specifică tabelului.
• Anteturile repetate se ciocnesc pe fiecare pagină: revizuiți șablonul paginii, nu fiecare paragraf.
• Două fragmente devin un paragraf supradimensionat: reparați ordinea de citire înainte de a atinge tipografia.

Dacă aspectul sursă nu are spațiu pentru o versiune fidelă în limba țintă, coordonatele identice sunt criteriul de acceptare greșit. Păstrați în schimb completitudinea, ierarhia și lizibilitatea.

Păstrați tabelele, graficele, numerele și notele de subsol

Un tabel PDF nu este întotdeauna stocat ca tabel. Poate fi text editabil peste linii de grilă, multe fragmente poziționate sau o singură imagine. O etichetă de grafic poate fi text separat sau inclusă în grafică.

Aceasta creează patru clase independente de eșec:

Folosiți o verificare a tokenurilor protejate pentru:

• numere întregi și valori zecimale;
• semne pozitive și negative;
• procente, valute, date și numere de versiune;
• unități și formule;
• numere de tabele și figuri;
• marcaje de note de subsol și textul lor calificativ.

Convențiile locale pot schimba separatorii zecimali sau plasarea valutei. Întrebarea nu este dacă fiecare caracter este identic; ci dacă ținta reprezintă aceeași cantitate și rămâne atașată de eticheta corectă.

Pentru fiecare tabel, verificați:

1. Numărul de rânduri și coloane corespunde în continuare.
2. Celulele îmbinate acoperă aceleași înregistrări.
3. Fiecare număr rămâne asociat cu eticheta sa sursă.
4. Unitățile, semnele și precizia sunt corecte.
5. Notele de subsol califică în continuare valoarea vizată.
6. Împachetarea antetului nu a ascuns conținutul.

Pentru fiecare grafic, verificați că geometria și datele rămân neschimbate, etichetele identifică în continuare reperele vizuale corecte, iar legendele rămân atașate. Dacă etichetele sunt încorporate într-o imagine, folosiți OCR conștient de imagini și redesenați-le, sau păstrați graficul original cu o legendă sau un titlu tradus. Nu întindeți și nu decupați un grafic pentru a se potrivi etichetelor mai lungi.

Dacă un tabel financiar, științific sau juridic conține chiar și o singură relație de valoare greșită, documentul eșuează indiferent cât de bine arată.

Alegeți un aspect PDF bilingv

Un PDF bilingv este util atunci când cineva trebuie să verifice ținta față de sursă. Nu este automat cea mai bună versiune finală.

Nu aliniați după întreruperile vizuale de rând. Traducerea poate împărți o propoziție sursă în două propoziții țintă sau poate combina două propoziții scurte. Folosiți titluri, secvența paragrafelor, numerele tabelelor, numerele figurilor, elementele de listă și marcajele notelor de subsol ca ancore stabile.

Afișarea alăturată este o opțiune implicită slabă atunci când sursa are deja mai multe coloane, tabele dense, note marginale sau o expansiune locală mare. În astfel de cazuri, paginile față în față sau fișierele monolingve sincronizate păstrează lățimea normală de citire și fac erorile mai ușor de izolat.

Ambele limbi ar trebui să rămână căutabile și selectabile atunci când este posibil. Verificați ordinea textului copiat, metadatele de limbă ale documentului, titlurile, etichetele tabelelor și descrierile figurilor. Dacă accesibilitatea este o cerință strictă, fișierele monolingve separate sunt adesea mai sigure decât o structură complexă cu coloane alternative.

Alegeți instrumentul potrivit pentru sarcină

Traducător PDF dedicat

Folosiți un traducător dedicat pentru PDF-uri lungi, formatate sau destinate clienților. Este punctul de plecare corect atunci când rezultatul necesar este un alt PDF utilizabil, nu o transcriere text.

Google Translate

Folosiți Google Translate pentru înțelegerea rapidă a documentelor scurte și simple atunci când aspectul nu este livrabilul. Paginile pe mai multe coloane, scanările, tabelele dense și publicarea finală necesită un flux de lucru mai controlat. Ghidul Google Translate pentru PDF acoperă fluxul său de lucru pentru documente și semnele de eșec.

ChatGPT

Folosiți ChatGPT pentru pasaje scurte, pregătirea glosarelor, decizii de ton și revizuire bilingvă. Nu tratați o interfață de chat ca motor de aspect al paginii pentru un PDF lung. Fluxul de lucru ChatGPT pentru PDF include instrucțiuni care interzic rezumarea și adăugarea de conținut.

Convertiți PDF în DOCX

Convertiți mai întâi doar când intenționați să editați sau să reconstruiți manual documentul. Conversia poate diviza tabele, reordona fragmente și transforma etichetele diagramelor în casete flotante înainte de începerea traducerii. Testați cea mai dificilă pagină înainte de a vă angaja. Dacă DOCX-ul convertit este structural curat, continuați cu traducătorul DOCX; dacă este deja deteriorat, traducerea nu va repara conversia.

Revizor uman sau bilingv

Folosiți un revizor calificat pentru conținut juridic, medical, financiar, critic pentru siguranță, academic sau publicat. Un flux de lucru pentru aspect poate păstra fiecare casetă în timp ce sensul este încă greșit. Folosiți mostrele reale de traducere pentru a vedea cum separăm revizuirea lingvistică de revizuirea aspectului.

Listă de verificare pentru acceptarea traducerii PDF

Blocante

• Text lipsă sau trunchiat
• Ordine de citire incorectă
• Paragrafe sau etichete suprapuse
• Numere atribuite rândului sau elementului de diagramă greșit
• Formule, semne, unități sau referințe modificate
• Dimensiune a fontului ilizibilă
• Lipsesc glifele limbii țintă
• Direcție și punctuație arabe sau ebraice defectuoase
• Avertismente, legende sau note de subsol ascunse

Defecte majore

• Împărțire pe rânduri incomodă, dar lizibilă
• Legende separate de figuri
• Deplasare mare a paginilor fără explicație
• Tratament inconsecvent al titlurilor
• Modificări repetate ale dimensiunii locale a fontului
• Blocuri bilingve aliniate la pasajul sursă greșit

Diferențe cosmetice

• Terminări de rând diferite
• Mici modificări ale spațierii
• O modificare modestă a numărului de pagini cu referințe corectate
• Înălțimi ușor diferite ale rândurilor de tabel cu tot conținutul vizibil

Pentru fiecare pagină eșuată, notați pagina sursă, tipul elementului, simptomul, constrângerea limitativă, remedierea și dacă este necesară o verificare bilingvă a sensului. Această urmă de audit este mai utilă decât să spui „formatare ajustată”.

Flux de lucru recomandat pentru majoritatea PDF-urilor

1. Păstrați un PDF sursă nemodificat.
2. Verificați dacă textul și celulele de tabel pot fi selectate.
3. Rulați OCR doar pentru conținut exclusiv imagine, apoi verificați erorile de recunoaștere.
4. Descărcați testul de stres PDF sau selectați cea mai dificilă pagină din propriul fișier.
5. Traduceți acea pagină reprezentativă cu PDF Translator.
6. Verificați ordinea de citire, tabelele, numerele, etichetele, notele de subsol, fonturile și direcția înainte de fluența lingvistică.
7. Traduceți fișierul complet doar după ce pagina reprezentativă trece verificarea.
8. Remediați constrângerile locale la nivel local; nu micșorați global documentul.
9. Păstrați sursa, PDF-ul tradus, setările, glosarul și notele de verificare împreună pentru revizuirile viitoare.

Pentru ecuații, citări și machete de cercetare, continuați cu fluxul de lucru pentru traducerea lucrărilor academice. Dacă încă decideți dacă sursa ar trebui să fie PDF sau EPUB, folosiți ghidul de decizie EPUB vs PDF.