Není problém s překladem textu Wordu, ale záhlaví je stále původní text.

Když chybí překlady záhlaví, problém obvykle spočívá v mechanismu dědičnosti is_linked_to_previous. Pokud používáte Python k dávkovému zpracování vícekapitolových dokumentů Wordu, hlavní text je přeložen, ale záhlaví je stále původní text, nebo skript zapisuje záhlaví, které by mělo být zděděno jako opakovaný obsah, tento článek vám může pomoci najít důvod.

Následující text vysvětlí, proč záhlaví „odkazuje na předchozí sekci", jak identifikovat a přerušit odkaz, aniž by došlo ke zničení rozvržení, a poskytne sadu kritérií přijetí, která lze jedno po druhém zkontrolovat. Po přečtení tohoto článku byste měli být schopni určit, která záhlaví by měla být přeložena, která by měla být přeskočena a co je třeba před doručením ručně zkontrolovat.

Proč je překlad záhlaví stále původní text? Závěr jednou větou

Jsou přeložena pouze nezávisle definovaná záhlaví a připojená záhlaví jsou přeskočena; když je opravdu potřeba jiný překlad, nejprve odpojte odkaz a poté jej napište.

Proč překlady záhlaví vždy chybí nebo se opakují?

Při práci s vícekapitolovými dokumenty Wordu dochází ke dvěma běžným chybám. Jedním z nich je, že hlavní text byl přeložen do cílového jazyka a záhlaví a zápatí jsou stále původní text. Druhý je problematičtější: Aby předešlou situaci napravil, je skript nucen procházet objekty záhlaví všech sekcí a překládat je. Výsledkem je, že stránka původně navržená tak, aby byla „stejná jako předchozí sekce", obsahuje nadbytečný obsah, který ničí logiku dědění rozložení původního dokumentu.

Ani jeden problém není způsoben enginy OCR nebo NMT, ale zaujatým chápáním atributuis_linked_to_previous v OpenXML.

V python-docx a základní struktuře XML není záhlaví nezávislou entitou na každé stránce, ale objektem připojeným k sekci. Když je záhlaví sekce ve stavu "odkaz na předchozí sekci", neobsahuje samotnou definici textu, ale obsahuje pouze odkaz na předchozí platné záhlaví. V tomto okamžiku, pokud je text odstavce v záhlaví čten přímo, může být přečtený zděděný obsah; pokud je překlad napsán bez posouzení, bude implicitně vytvořena nová definice záhlaví, která přeruší původní řetězec dědičnosti. To nejen plýtvá zdroji překladu, ale také to způsobí, že následné úpravy rozvržení ztratí vazbu.

Pochopení pasti dědičnosti is_linked_to_previous

_Header.is_linked_to_previous je klíčový spínač k vyřešení tohoto problému.

• Když je True, znamená to, že aktuální sekce nemá nezávislou definici záhlaví a zobrazený obsah je trasován směrem nahoru podél řetězce a zděděn z nadřazené sekce, která má definici.
• V nových dokumentech nebo v sekcích, kde záhlaví není explicitně nastaveno, je tato hodnota výchozí True.
• Kontraintuitivně: i když aktuální sekce pouze zdědí obsah, kdykoli dojde k přístupu k header.paragraphs nebo k pokusu o úpravu textu, python-docx automaticky vytvoří definici prázdného záhlaví a nastaví is_linked_to_previous na False.

Takže jednoduše „prolistovat všechny sekce a přeložit záhlaví"je riskantní. U záhlaví stavu odkazů je správný přístup přeskočit, nikoli překládat. Pouze kdyžis_linked_to_previous == False má sekce nezávislý zdrojový text, který je třeba odeslat do procesu překladu.

Pokud podnik skutečně vyžaduje, aby sekce používala odněkud jinou hlavičku překladu, měli byste nejprve explicitně nastavit is_linked_to_previous na False a poté provést nahrazení obsahu, což je ekvivalentní operaci „odpojení"v rozhraní aplikace Word.

📊 Srovnání jádra

Příklad syntézy: správné a nesprávné zpracování hranic

Za účelem ověření logiky zpracování je níže zkonstruována sada syntetických vzorků obsahujících tři stavy. POZNÁMKA: Toto je syntetický příklad používaný k demonstraci logiky, nikoli skutečný klientský soubor. Pokud chcete otestovat skutečný dokument, připravte si soubor .docx s alespoň 3 zalomeními oddílů, mixem „odkazu na předchozí oddíl"a nezávislými záhlavími a ověřte, že soubor není chráněn IRM a že obsah záhlaví není dynamicky generován makrem VBA.

Nastavení vstupu:

• Sekce 0: Samostatná hlavička s textem "Kapitola jedna".
• Část 1: Souvisí s předchozí částí (is_linked_to_previous=True), žádná nezávislá definice.
• Část 2: Samostatná hlavička s textem "Příloha".

Očekávaný správný výstup:

• Záhlaví sekce 0 se překládá jako "Kapitola jedna".
• Část 1 zůstává propojená, neprovádí překlad a nadále zobrazuje zděděnou "Kapitolu 1".
• Záhlaví oddílu 2 se překládá jako "Příloha".

Chyby a okrajové případy:

Pokud skript ignoruje stav propojení a také provede paragraph.text = translate(...) v sekci 1, sekce 1 vygeneruje novou definici záhlaví. Vizuálně to může prozatím vypadat správně, ale struktura dokumentu byla pozměněna.

Vážnější okrajový případ je prázdný dokument nebo plně propojený dokument: pokud jsou všechny sekce True a nemají žádné definice, přístup k odstavcům spustí nové sestavení. Bezpečný kód musí před čtením a zápisem zkontrolovat booleovské příznaky a provést obranná rozhodnutí proti situacím „všechny odkazy, žádné zdroje", spíše než slepě přiřazovat hodnoty.

Python implementuje bezpečnou extrakci záhlaví a lámání odkazů

Níže uvedený kód ukazuje, jak sestavit ukázku v paměti a bezpečně zpracovat logiku překladu záhlaví. Spoléhá na knihovnupython-docx. Spusťte jej prosím ve svém vlastním závislém prostředí uzamčené verze. Verze musí být kompatibilní s API 0.8.11 a vyšší.

Poznámka: Tento kód je ukázkou výuky. Neimplementuje úplné zachování formátu na úrovni běhu a ochranu kódu domény a nelze jej použít přímo v produkčním prostředí.

from docx import Document
from docx.shared import Pt

def safe_translate_headers(doc, translate_fn):
    """
    安全翻译页眉：仅处理独立定义的页眉，保留继承关系。
    translate_fn: 接受字符串返回译文的函数
    """
    processed_count = 0
    for i, section in enumerate(doc.sections):
        header = section.header
        # 核心守卫：仅当存在独立定义时才处理
        if header.is_linked_to_previous:
            print(f"Section {i}: Linked, skipping to preserve inheritance.")
            continue

        # 此时才安全访问 paragraphs，不会意外创建新定义
        for para in header.paragraphs:
            original_text = para.text.strip()
            if original_text:
                new_text = translate_fn(original_text)
                # 安全替换：保留run格式，避免直接赋值para.text
                # 实际生产环境应增加域代码(Field)检测与跳过逻辑
                full_text = ''.join(run.text for run in para.runs)
                if full_text.strip() == original_text:
                    # 简单场景：文本完全由runs组成
                    for run in para.runs:
                        run.text = ""
                    if para.runs:
                        para.runs[0].text = new_text
                    else:
                        para.add_run(new_text)
                else:
                    # 复杂场景：包含域代码或其他元素，此处仅作标记
                    print(f"Warning: Section {i} contains complex elements, manual review needed.")
                    continue

                processed_count += 1
                print(f"Section {i}: Translated '{original_text}' -> '{new_text}'")
    return processed_count

# --- 合成示例构建与断言 ---
doc = Document()
# Sec 0: 独立页眉
doc.sections[0].header.is_linked_to_previous = False
doc.sections[0].header.paragraphs[0].text = "Original Title"

# Sec 1: 添加新节并保持链接(默认即为True)
new_section = doc.add_section()
assert new_section.header.is_linked_to_previous is True

# Sec 2: 添加新节并断开链接
appendix_sec = doc.add_section()
appendix_sec.header.is_linked_to_previous = False
appendix_sec.header.paragraphs[0].text = "Appendix Data"

# 模拟翻译函数
mock_translate = lambda x: f"[ZH]{x}"
count = safe_translate_headers(doc, mock_translate)

# 验收断言
assert count == 2, "Should only translate 2 independent headers"
assert doc.sections[1].header.is_linked_to_previous is True, "Link must be preserved"
assert "[ZH]Original Title" in doc.sections[0].header.paragraphs[0].text
print("Logic validation passed.")

🎯 Která metoda je pro vás vhodná?

Pokud potřebujete pouze jednotný překlad

Přeloží se pouze nezávisle definovaná záhlaví a propojené sekce zůstanou nedotčeny, což umožňuje aplikaci Word nadále používat záhlaví nadřazených sekcí.

Pokud se obsah záhlaví každé sekce liší

Podívejte se na is_linked_to_previous sekci po sekci. Nezávisle definované sekce jsou přeloženy a zapsány zpět; sekce, které vyžadují jiný překlad než předchozí sekce, musí být před napsáním výslovně odpojeny.

Pokud je struktura dokumentu složitá nebo chráněná

U dokumentů, které obsahují vnořená záhlaví tabulek, obsah záhlaví generovaný makry VBA nebo ochranu IRM, se doporučuje opustit automatické zpracování a přejít na ruční kontrolu.

Kritéria přijetí a ruční kontrola červené čáry

To, že kód běží bez chyb, neznamená, že dodávka je kvalifikovaná. Překlad záhlaví zahrnuje sémantiku rozvržení a vyžaduje vytvoření sady akceptačních kontrolních seznamů, které se liší od hlavního textu. Následující tabulka uvádí klíčové kontrolní body po automatizaci.

Nelze použít: Výše uvedená logika se vztahuje pouze na standardní dokumenty s nepřetržitým koncem oddílu. Dokumenty, které obsahují složitá vnořená záhlaví tabulek, dynamicky generovaný obsah z maker jazyka VBA nebo jsou chráněny IRM, by měly být proaktivně vyřazeny automatickými skripty a označeny ke kontrole člověkem. "Kód lze spustit" neznamená "všechny hraniční scénáře byly pokryty".

Reference a další kroky

• python-docx: Práce se záhlavím a zápatím

Tento kontrolní seznam použijte pro překlad dokumentů

Překlad slov může snadno zaměnit problémy s obsahem s problémy s formátováním. Tím, že kontrolní položky, jako jsou styly, záhlaví, tabulky atd. uvede samostatně v dodacím listu, bude recenzent vědět, kam má kontrolu zaměřit.

OmniDoc (produktový portál) poskytuje portál pro překlad dokumentů ve více formátech a oficiální webové stránky zavádějí funkce OCR, glosář a dvojjazyčné porovnání. Pokud chce váš tým začít zpracovávat přímo ze souboru, můžete tuto cestu vyhodnotit pomocí skutečných vzorků. Použijte prosím znecitlivělý soubor, ke kterému máte oprávnění nahrát a zkontrolovat výsledky pomocí kontrolních seznamů v tomto článku. Není zde žádné tvrzení, že OmniDoc používá open source knihovny nebo interní algoritmy uvedené v tomto článku a příklady nenahrazují testování výkonu produktu.

❓ Často kladené otázky (FAQ)

1. Proč se změní stav odkazu po přístupu k odstavci záhlaví?

Když python-docx přistupuje k odstavcům nebo upravuje text, automaticky vytvoří definici prázdného záhlaví a nastaví is_linked_to_previous na False. Tento příznak by měl být před čtením zkontrolován.

2. Všechny sekce jsou ve stavu propojení a nemají žádné definice. co mám dělat?

Před čtením a zápisem zkontrolujte booleovský příznak, udělejte obranný úsudek o situaci „všech odkazů, žádný zdroj"a nepřiřazujte slepě hodnoty.

3. Jakmile se kód spustí, může být doručen?

žádný. Zda délka překladu přeteče, zda jsou liché-sudé stránky a záhlaví domovské stránky správné, to vše vyžaduje ruční kontrolu a kód nemůže vnímat výsledky vizuálního vykreslování.

4. Lze čísla stránek přeložit dohromady?

Nemělo by se to překládat. Kódy polí, jako je číslo stránky a datum, by měly být zachovány. Skript překládá pouze prostý text Run a vynechává FieldRun.

5. Lze tento kód použít přímo v produkčním prostředí?

nemůže. Je to ukázka výuky a neimplementuje kompletní ochranu formátu na úrovni běhu a ochranu kódu domény. Tyto části je třeba před přechodem online dokončit a otestovat se skutečnými soubory.

📝 Shrnutí

Klíčem k překladu záhlaví je nejprve určit stav dědičnosti sekce a poté se rozhodnout, zda ji přeložit nebo přeskočit. Po prostudování akceptačního seznamu jej předejte k ruční kontrole pro rozvržení.

Vyzkoušejte to hned: Nahrajte dokument a začněte překládat při zachování původního rozvržení