वेब पेजों का अनुवाद करते समय संपूर्ण HTML को न बदलें: केवल अनुमत टेक्स्ट नोड्स को प्रोसेस करें

वेब पेजों का अनुवाद करते समय, कई लोगों के सामने पहली समस्या यह नहीं है कि अनुवाद गलत है, बल्कि यह है कि स्क्रिप्ट और शैलियों का एक साथ अनुवाद किया गया है। उदाहरण के लिए, <script> में वेरिएबल नाम और <style> में क्लास नाम को टेक्स्ट के रूप में बदलने के बाद, ब्राउज़र सीधे एक त्रुटि की रिपोर्ट कर सकता है और पेज शैली गड़बड़ हो जाएगी। यह आलेख उन डेवलपर्स और दस्तावेज़ीकरण टीमों के लिए है, जिन्हें पायथन में HTML पेज अनुवाद को संभालने की आवश्यकता है।

इस लेख के अंत तक, आप जानेंगे कि ब्यूटीफुल सूप के नेविगेबलस्ट्रिंग प्रकार का उपयोग उन टेक्स्ट नोड्स की पहचान करने के लिए कैसे करें जिन्हें प्रतिस्थापित करने की अनुमति है, सुरक्षित प्रतिस्थापन का एक उदाहरण देखें, और जानें कि डिलीवरी से पहले किन सीमाओं और स्वीकृति मानदंडों की समीक्षा की जानी चाहिए। इस आलेख के सभी नमूने सिंथेटिक डेटा हैं, और कोड को एक अलग वातावरण में नमूना जांचा गया है, लेकिन यह सभी वास्तविक फ़ाइलों या उत्पाद प्रभावों की गारंटी का प्रतिनिधित्व नहीं करता है। कृपया महत्वपूर्ण दस्तावेज़ों को संभालने से पहले मूल प्रतियाँ अपने पास रखें।

वेब पेज अनुवाद में केवल मुख्य पाठ को कैसे बदलें? एक वाक्य का निष्कर्ष

प्रतिस्थापन से पहले, पहले प्रकार के निर्णय के माध्यम से विशेष स्ट्रिंग्स जैसे स्क्रिप्ट, स्टाइलशीट और टिप्पणी को बाहर करें, और केवल सामान्य नेविगेबलस्ट्रिंग को बदलें।

नेविगेबलस्ट्रिंग को पहले टाइप जजमेंट करने की आवश्यकता क्यों है?

कई डेवलपर पेज टेक्स्ट प्राप्त करने के लिए soup.find_all(text=True) का उपयोग करने या .strings को पार करने के आदी हैं। जब शुद्ध सामग्री निष्कर्षण की बात आती है तो यह विधि काम करती है, लेकिन अनुवाद परिदृश्यों में यह जोखिम भरा है। ब्यूटीफुल सूप 4.9.0 ने बाद में HTML दस्तावेज़ों के लिए विशेष स्ट्रिंग उपवर्ग पेश किए। हालाँकि वे NavigableString से विरासत में मिले हैं, उनके शब्दार्थ पूरी तरह से अलग हैं।

• Comment: टिप्पणी करें
• Script: जावास्क्रिप्ट कोड
• Stylesheet: सीएसएस शैली
• Template: HTML टेम्पलेट सामग्री

यदि आप इन ऑब्जेक्ट्स पर .replace_with() को कॉल करते हैं, तो गैर-प्रस्तुति परत की सामग्री को संशोधित किया जाएगा। उदाहरण के लिए, var userName = "admin"; को var 用户名 = "管理员"; में अनुवाद करने पर JS सिंटैक्स त्रुटि होगी। सही दृष्टिकोण प्रतिस्थापन से पहले एक प्रकार का दावा करना है ताकि यह सुनिश्चित किया जा सके कि लक्ष्य केवल एक सादा NavigableString है और एक कार्यात्मक उपवर्ग नहीं है।

XML दस्तावेज़ों को संसाधित करते समय, आपको विशेष प्रकारों जैसे CData, ProcessingInstruction आदि पर भी ध्यान देने की आवश्यकता है। इन्हें सामान्य पाठ के रूप में अनुवादित भी नहीं किया जाना चाहिए।

संश्लेषण उदाहरण: सही और गलत के बीच की सीमा

इस तंत्र को प्रदर्शित करने के लिए, मिश्रित सामग्री वाला एक सिंथेटिक HTML टुकड़ा नीचे बनाया गया है, जिसमें चार नोड प्रकार शामिल हैं: बॉडी, स्क्रिप्ट, शैली और टिप्पणी।

इनपुट नमूना (सिंथेटिक उदाहरण):

<div class="content">
  Welcome user
  <script>var msg = "Welcome user";</script>
  <style>.msg { color: red; }</style>
  <!-- Welcome user -->
</div>

अपेक्षित सही आउटपुट:

• <div> टैग के भीतर केवल प्रत्यक्ष टेक्स्ट नोड "स्वागत उपयोगकर्ता" को "स्वागत उपयोगकर्ता" से बदल दिया गया है।
• <script> के भीतर तार बरकरार रहते हैं।
• <style> की सामग्री अपरिवर्तित रहती है, और एनोटेशन की सामग्री अपरिवर्तित रहती है।
• DOM पदानुक्रमित संबंध पूरी तरह से संरक्षित है।

सामान्य ग़लत इनपुट और परिणाम:

यदि आप टाइप चेकिंग नहीं जोड़ते हैं और सभी NavigableString पर सीधे वैश्विक प्रतिस्थापन नहीं करते हैं, तो <script> टैग var msg = "欢迎用户"; बन जाएगा। कुछ ढीले दुभाषिए त्रुटि की रिपोर्ट नहीं कर सकते हैं, लेकिन यदि परिवर्तनीय असाइनमेंट में तार्किक निर्णय या अंतर्राष्ट्रीय कुंजी-मूल्य मैपिंग शामिल है, तो प्रोग्राम तर्क विफल हो जाएगा। यदि अनुवाद प्रक्रिया उद्धरण प्रकार या एस्केप वर्णों को बदल देती है, तो स्क्रिप्ट पार्सिंग बाधित हो सकती है और पूरा पृष्ठ एक सफेद स्क्रीन के रूप में दिखाई देगा।

टेक्स्ट नोड्स के सुरक्षित प्रतिस्थापन का पायथन कार्यान्वयन

निम्नलिखित कोड दिखाता है कि उपरोक्त सिंथेटिक नमूने को मेमोरी में सुरक्षित रूप से कैसे संभालना है। उदाहरण beautifulsoup4 पर निर्भर करता है। कृपया इसे ऐसे वातावरण में चलाएं जो निर्भरता को लॉक कर दे। विशेष स्ट्रिंग उपवर्ग पहचान का समर्थन करने के लिए संस्करण को 4.9.0 या उससे ऊपर रखने की अनुशंसा की जाती है। कोड में नेटवर्क अनुरोध शामिल नहीं है, लेकिन केवल पार्सिंग और प्रतिस्थापन तर्क प्रदर्शित करता है।

from bs4 import BeautifulSoup, NavigableString, Comment
# BS4 4.9.0+ 才引入 Script, Stylesheet 等子类
try:
    from bs4 import Script, Stylesheet, Template
    HAS_SPECIAL_STRINGS = True
except ImportError:
    HAS_SPECIAL_STRINGS = False

def safe_translate_text(html_content: str, translation_map: dict) -> str:
    """
    仅替换普通文本节点，跳过脚本、样式、注释及模板。
    :param html_content: 原始HTML字符串（若处理文件请先读取为字符串）
    :param translation_map: 原文到译文的映射字典
    :return: 替换后的HTML字符串
    """
    soup = BeautifulSoup(html_content, 'html.parser')

    # 收集所有需要处理的字符串节点
    # 注意：不能边遍历边修改，需先收集再处理
    targets = []
    for element in soup.descendants:
        if not isinstance(element, NavigableString):
            continue
        # 核心防护：排除特殊功能字符串
        if isinstance(element, Comment):
            continue
        if HAS_SPECIAL_STRINGS and isinstance(element, (Script, Stylesheet, Template)):
            continue
        # 可选：跳过纯空白节点以减少无效API调用
        if not str(element).strip():
            continue

        targets.append(element)

    # 执行安全替换
    for node in targets:
        original = str(node)
        if original in translation_map:
            # 显式创建NavigableString确保DOM引用完整性
            new_node = NavigableString(translation_map[original])
            node.replace_with(new_node)

    return str(soup)

# --- 合成数据验证 ---
SAMPLE_HTML = '''<div>Welcome user<script>var x="Welcome user";</script><!-- Welcome user --></div>'''
DICT_MAP = {"Welcome user": "欢迎用户"}

result = safe_translate_text(SAMPLE_HTML, DICT_MAP)
assert "欢迎用户" in result, "正文应被翻译"
assert 'var x="Welcome user";' in result, "脚本内容不应被修改"
assert "<!-- Welcome user -->" in result, "注释不应被修改"
print("逻辑校验通过（教学示例，非生产环境实测证明）")

इस कोड की कुंजी एकाधिक isinstance जांच है। भले ही ब्यूटीफुल सूप पुराना हो और Script जैसी कक्षाओं का समर्थन नहीं करता हो, आप फ़ॉलबैक समाधान के रूप में पैरेंट टैग नाम की जाँच कर सकते हैं, लेकिन स्पष्ट प्रकार की जाँच को हमेशा प्राथमिकता दी जाती है। स्पष्ट NavigableString निर्माण के साथ replace_with का उपयोग करना प्रत्यक्ष असाइनमेंट से अधिक सुरक्षित है। यह पेड़ में नोड्स के संदर्भ संबंध को सही ढंग से संभाल सकता है और अनाथ वस्तुओं या प्रकार के भ्रम से बच सकता है।

स्वीकृति मानदंड और मैन्युअल समीक्षा सीमाएँ

टाइप फ़िल्टरिंग केवल रक्षा की पहली पंक्ति है। डिलीवरी से पहले, स्क्रिप्ट आउटपुट में अंध विश्वास से बचने के लिए स्वचालित प्रसंस्करण और मैन्युअल हस्तक्षेप के बीच अंतर करने के लिए एक स्पष्ट स्वीकृति मैट्रिक्स स्थापित करने की आवश्यकता है।

यह तालिका केवल कोड प्रदर्शन स्तर पर तर्क सत्यापन के लिए उपयुक्त है। एंड-टू-एंड प्रभाव के लिए वास्तविक ब्राउज़र में रेंडरिंग परिणामों के सत्यापन की आवश्यकता होती है। हालाँकि <meta> टैग, ARIA टैग आदि की content विशेषताएँ NavigableString से संबंधित नहीं हैं, उन्हें अनुवाद करने की भी आवश्यकता हो सकती है। इसके लिए पार्सर में विशेषता ट्रैवर्सल क्षमताओं की आवश्यकता होती है और यह इस आलेख के इस नोड के दायरे से परे है।

अग्रिम पठन

• सुंदर सूप आधिकारिक दस्तावेज़ीकरण: नेविगेबलस्ट्रिंग
• सुंदर सूप आधिकारिक दस्तावेज़ीकरण: वस्तुओं के प्रकार

दस्तावेज़ अनुवाद के लिए चेकलिस्ट का उपयोग करें

वेब पेज दस्तावेजों के पाठ, लिंक, कोड और संरचना को अलग से संसाधित किया जाना चाहिए। संरक्षित भागों को स्वीकृति सूची में जोड़ें, और फिर अनुवाद के बाद पठनीयता और पृष्ठ प्रस्तुति का मूल्यांकन करें।

OmniDoc एक बहु-प्रारूप दस्तावेज़ अनुवाद पोर्टल प्रदान करता है। आधिकारिक वेबसाइट ओसीआर, शब्दावली और द्विभाषी तुलना जैसे कार्यों का परिचय देती है। यदि टीम सीधे फ़ाइल से प्रसंस्करण शुरू करना चाहती है, तो इस पथ का वास्तविक नमूनों के साथ मूल्यांकन किया जा सकता है। कृपया उन डिसेन्सिटाइज़्ड फ़ाइलों का उपयोग करें जिन्हें अपलोड करने की आपके पास अनुमति है, और परिणामों की समीक्षा करने के लिए इस आलेख में चेक आइटम का उपयोग करें। इसमें यह दावा शामिल नहीं है कि ओमनीडॉक इस आलेख में वर्णित ओपन सोर्स लाइब्रेरी या आंतरिक एल्गोरिदम का उपयोग करता है, और उदाहरण उत्पाद प्रदर्शन परीक्षण का विकल्प नहीं हैं।

📊 कोर तुलना

🎯कौन सा तरीका आपके लिए उपयुक्त है?

अगर आप……

• वेब पेज बॉडी का अनुवाद संभालें: स्पष्ट प्रकार के साथ फ़िल्टर करें और केवल सादे नेविगेशनबलस्ट्रिंग को बदलें।
• <script> और <style> में सामग्री का अनुवाद करने की आवश्यकता है: पहले पुष्टि करें कि क्या यह एक i18n संसाधन है, और फिर तय करें कि इसे संसाधित करना है या नहीं। इसे डिफ़ॉल्ट रूप से छोड़ दिया जाता है.
• ब्यूटीफुल सूप के पुराने संस्करण का उपयोग करना: आप डाउनग्रेड निर्णय के लिए मूल टैग नाम का उपयोग कर सकते हैं, लेकिन इसे 4.9.0 या इससे ऊपर अपग्रेड करने की अनुशंसा की जाती है।
• alt, title और अन्य विशेषताओं का अनुवाद करने के लिए: विशेषता ट्रैवर्सल लॉजिक को अलग से लिखने की आवश्यकता है, और यह विधि इस भाग को कवर नहीं करती है।

❓ अक्सर पूछे जाने वाले प्रश्न (एफएक्यू)

1. क्या मैं अनुवाद किए जाने वाले पाठ को प्राप्त करने के लिए सीधे find_all(text=True) का उपयोग कर सकता हूं?

यह विधि शुद्ध सामग्री निष्कर्षण के लिए उपयुक्त है, लेकिन अनुवाद परिदृश्यों में, स्क्रिप्ट और स्टाइलशीट जैसी विशेष उपश्रेणियों को भी सामान्य पाठ के रूप में माना जाएगा, जो जोखिम भरा है।

2. यदि ब्यूटीफुल सूप का संस्करण पुराना है तो मुझे क्या करना चाहिए?

डाउनग्रेड परिदृश्य के रूप में पैरेंट टैग नाम की जांच करना संभव है, लेकिन स्पष्ट प्रकार की जांच को हमेशा प्राथमिकता दी जाती है और संस्करण 4.9.0+ की सिफारिश की जाती है।

3. प्रतिस्थापन के बाद HTML की लंबाई बहुत बदल जाती है। हमें किस बात पर ध्यान देना चाहिए?

जब लंबाई 300% से अधिक बदलती है तो एक चेतावनी को चिह्नित किया जाना चाहिए, और इंजेक्शन या लेआउट अतिप्रवाह को रोकने के लिए अनछुए विशेष वर्णों के लिए अनुवाद की जांच की जानी चाहिए।

4. क्या alt और title जैसे विशेषता मान इस कोड द्वारा संसाधित किए जाएंगे?

नहीं होगा। विशेषता मान इस आलेख के दायरे से बाहर हैं, और विशेषता ट्रैवर्सल लॉजिक को अलग से लिखने की आवश्यकता है।

5. क्या इसका उपयोग सीधे वास्तविक फाइलों पर किया जा सकता है?

यह अनुशंसा की जाती है कि मूल दस्तावेज़ को पहले रखें और इसे एक असंवेदनशील दस्तावेज़ के साथ परीक्षण करें जिसे अपलोड करने की आपके पास अनुमति है। कोड ने सिंथेटिक नमूना निरीक्षण पास कर लिया है और यह सभी वास्तविक फ़ाइलों की गारंटी का प्रतिनिधित्व नहीं करता है।

📝सारांश

वेब पेज अनुवाद की कुंजी पहले नोड प्रकार की पहचान करना है और फिर तय करना है कि इसे बदला जा सकता है या नहीं। स्क्रिप्ट, स्टाइलशीट और टिप्पणी जैसे विशेष स्ट्रिंग्स को स्पष्ट रूप से फ़िल्टर करें, और परिणामों की समीक्षा करने के लिए स्वीकृति मैट्रिक्स का उपयोग करें, ताकि यह सुनिश्चित करते हुए पाठ का अनुवाद किया जा सके कि पृष्ठ सामान्य रूप से चल सके।

इसे अभी आज़माएं: मूल लेआउट को बरकरार रखते हुए अनुवाद शुरू करने के लिए दस्तावेज़ अपलोड करें