Slovník není hledání a nahrazování: nejprve definujte hranice slov, velikost písmen a výjimky

Slovník může vypadat, jako by jen zaměňoval jedno slovo za druhé, ale v praxi hranice slov, velká a malá písmena, skloňování a identifikátory kódu, to vše ovlivňuje výsledky. Pokud se s ní špatně manipuluje, může být omylem vyměněna nebo může chybět místo, kde by měla být vyměněna.

Tento článek je určen editorům a vývojářům, kteří potřebují udržovat terminologii pro překlady nebo dokumentaci. Následující text používá standardní knihovnu Pythonu k napsání příkladu konzervativního ověření, poskytuje kontrolní seznam přijetí a vysvětluje, jak zkontrolovat překlad pomocí terminologické funkce OmniDoc. Po přečtení se můžete rozhodnout, která slova by měla být kandidáty, která by měla být chráněna a jak proměnit glosář v konvenci, kterou si tým může zaškrtnout.

Příklad je demonstrován na syntetických vzorcích. Kód byl zkontrolován v izolovaném prostředí, ale to nepředstavuje záruku všech originálních souborů nebo výkonu produktu. Před zpracováním důležitých dokumentů si prosím uschovejte originály a zkontrolujte je podle níže uvedených hranic a položek přijetí.

Jak nahradit glosář bez chyb? Závěr jednou větou

Nejprve vyhledejte kandidáty a poté se na základě glosáře a kontextu rozhodněte, zda je chcete nahradit. Neprovádějte přímo globální vyhledávání a nahrazování.

Každý jazyk vyžaduje vlastní konvenci přiřazování

Tento článek uvádí záměrně konzervativní anglický příklad: API sám o sobě ignoruje shodu velkých a malých písmen a písmena, čísla a podtržítka se neshodují, když jsou vedle sebe. Příklad je implementován pomocí standardní knihovny Pythonu re.

Všimněte si, že tato konvence není úplným pravidlem segmentace slov pro přirozené jazyky, ani se nestará o množné číslo, přivlastňovací nebo kontextové vyjasnění.

Testujte s řetězci, které jsou blízko, ale neměly by zasáhnout

Při testování se nedívejte pouze na to, co by mělo zasáhnout, ale také vložte struny, které jsou blízko, ale neměly by zasáhnout, například APIs a api_gateway.

import re

def english_candidates(text, term):
    if not term:
        raise ValueError("empty term")
    pattern = re.compile(r"(?<!\w)" + re.escape(term) + r"(?!\w)", re.IGNORECASE)
    return [(m.start(), m.end(), m.group()) for m in pattern.finditer(text)]

text = "API and api; APIs, rapid, api_gateway."
found = english_candidates(text, "API")
assert [item[2] for item in found] == ["API", "api"]
assert all(text[start:end] == raw for start, end, raw in found)
assert english_candidates("api_gateway", "API") == []
assert english_candidates("APIs", "API") == []
assert english_candidates("(API)", "API")[0][2] == "API"
try:
    english_candidates(text, "")
except ValueError:
    pass
else:
    raise AssertionError("empty glossary term accepted")

Odpovídající kandidát není náhradní příkaz

Kód zachovává umístění a původní text a text přímo nemění. Tímto způsobem může recenzent rozlišit text, odkazy a oblasti kódu a může také zjistit, zda by měla být zachována původní slova.

Kandidátské pozice v HTML nebo Wordu je také potřeba namapovat na uzly struktury. Nemůžete jen vzít pozici celého spojeného řetězce a napsat jej zpět do původního textu.

Nerozlišování malých a velkých písmen má také hranice

Konvence kódování Unicode a jazykové konvence vždy neodpovídají jedné ku jedné. Tento článek je orientován na jednoduché anglické termíny a nelze jej zobecnit na rozpoznávač termínů vhodný pro všechny jazyky.

Velké glosáře musí také řešit problémy s překrývajícími se kandidáty, nejdelšími shodami a správou verzí, aby se předešlo opakovaným protichůdným návrhům pro stejný odstavec.

📊 Srovnání jádra

Udělejte ze slovníku kontrolovatelnou konvenci

Oficiální web OmniDoc (produktový portál) představuje funkci glosáře. Při vyhodnocování můžete vybrat necitlivý vzorek obsahující text, identifikátory kódu a morfologické změny a zkontrolovat, zda termíny spadají do správného kontextu oproti překladu.

Hodnota glosáře není v tom, aby mechanicky nahradil více slov, ale aby týmová formulační konvence byla stabilnější.

🎯 Která metoda je pro vás vhodná?

pokud jste……

• Potřebujete zpracovat dokumenty obsahující identifikátory kódu: nejprve chraňte oblast kódu a poté zobrazte kandidáty.
• Termíny s přechylováním: udržujte morfologická pravidla předem a neočekávejte, že nezávislá shoda pokryje APIs.
• Zvládněte čínskou terminologii: Nepoužívejte pravidla pro ohraničení anglických slov, místo toho používejte segmentaci slov nebo pravidla vhodná pro čínštinu.
• Velký glosář: Je třeba se také vypořádat s překrývajícími se kandidáty, nejdelšími shodami a správou verzí.

❓ Často kladené otázky (FAQ)

1. Proč nelze shody glosářů přímo nahradit globálně?

Protože slova obsahující stejná písmena nemusí být nutně nahrazována, například APIs je morfologická změna a api_gateway může být identifikátor kódu.

2. Dokáže tento příklad zvládnout množná čísla a přivlastňovací znaky?

nemůže. Je to záměrně konzervativní příklad angličtiny, která není zodpovědná za množné číslo, přivlastňovací nebo kontextové zdvojení.

3. Lze pozici kandidáta přímo napsat zpět do celého textu?

Kandidátské pozice v HTML nebo Wordu je třeba nejprve namapovat na uzly struktury a nemůžete pouze zapsat zpět pozici celého zřetězeného řetězce.

4. Na co bychom si měli dát pozor při používání velkého glosáře?

Je třeba řešit překrývající se kandidáty, nejdelší shody a správu verzí, aby se předešlo opakovaným protichůdným návrhům pro stejný odstavec.

📝 Shrnutí

Hodnota glosáře je v tom, aby byly konvence formulací vašeho týmu stabilnější. Při hodnocení je použití znecitlivělých vzorků ke kontrole proti překladu spolehlivější než přímá náhrada.

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