Веб-беттерді аударған кезде толық HTML ауыстырмаңыз: тек рұқсат етілген мәтін түйіндерін өңдеңіз

Веб-беттерді аудару кезінде көптеген адамдар кездесетін бірінші қиындық аударманың дұрыс еместігі емес, сценарийлер мен стильдердің бірге аударылуы болып табылады. Мысалы, <script> ішіндегі айнымалы атаулары және <style> ішіндегі сынып атаулары мәтін ретінде ауыстырылғаннан кейін, браузер қате туралы тікелей хабарлауы мүмкін және бет мәнері бұзылады. Бұл мақала Python тілінде HTML бетін аударуды өңдеуді қажет ететін әзірлеушілер мен құжаттама топтарына арналған.

Осы мақаланың соңында сіз ауыстыруға рұқсат етілген мәтін түйіндерін анықтау үшін Beautiful Soup's NavigableString түрін қалай пайдалану керектігін білесіз, қауіпсіз ауыстыру мысалын қараңыз және жеткізу алдында қандай шекаралар мен қабылдау критерийлерін қарап шығу керектігін білесіз. Осы мақаладағы үлгілердің барлығы синтетикалық деректер болып табылады және код оқшауланған ортада үлгі тексерілді, бірақ бұл барлық нақты файлдардың немесе өнім әсерлерінің кепілдігін көрсетпейді. Маңызды құжаттарды өңдеуден бұрын түпнұсқаларды сақтаңыз.

Веб-бет аудармасында тек негізгі мәтінді қалай ауыстыруға болады? Бір сөйлемнен қорытынды

Ауыстыру алдында, алдымен типті бағалау арқылы Сценарий, Мәнер кестесі және Түсініктеме сияқты арнайы жолдарды алып тастаңыз және тек қарапайым NavigableString ауыстырыңыз.

Неліктен NavigableString алдымен типті анықтауы керек?

Көптеген әзірлеушілер бет мәтінін алу үшін soup.find_all(text=True) қолдануға немесе .strings арқылы өтуге дағдыланған. Бұл әдіс таза мазмұнды шығаруға қатысты жұмыс істейді, бірақ аударма сценарийлерінде қауіпті. Әдемі сорпа 4.9.0 кейінірек HTML құжаттары үшін арнайы жолдық ішкі сыныптарды енгізді. Олар NavigableString мұрагері болғанымен, семантикасы мүлдем басқа.

• Comment: Түсініктеме
• Script: JavaScript коды
• Stylesheet: CSS стилі
• Template: HTML үлгі мазмұны

Егер сіз осы нысандарда .replace_with() шақырсаңыз, көрсетілмейтін деңгейдің мазмұны өзгертіледі. Мысалы, var userName = "admin";-ді var 用户名 = "管理员";-ге аудару JS синтаксистік қатесіне әкеледі. Дұрыс тәсіл - мақсаттың функционалдық ішкі сынып емес, тек қарапайым NavigableString екеніне көз жеткізу үшін ауыстыру алдында түр бекітуді жасау.

XML құжаттарын өңдеу кезінде CData, ProcessingInstruction және т.б. сияқты арнайы түрлерге де назар аудару қажет. Оларды кәдімгі мәтін ретінде аударуға да болмайды.

Синтез мысалы: дұрыс пен бұрыс арасындағы шекара

Бұл механизмді көрсету үшін төменде төрт түйін түрін қамтитын аралас мазмұнды қамтитын синтетикалық HTML фрагменті құрастырылған: негізгі, сценарий, стиль және түсініктеме.

Кіріс үлгісі (синтетикалық мысал):

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

Күтілетін дұрыс нәтиже:

• Тек <div> тегіндегі "Қош келдіңіз пайдаланушы" тікелей мәтіндік түйіні "Қош келдіңіз пайдаланушыға" ауыстырылады.
• <script> ішіндегі жолдар өзгеріссіз қалады.
• <style> мазмұны өзгеріссіз, ал аннотация мазмұны өзгеріссіз қалады.
• DOM иерархиялық қатынасы толығымен сақталған.

Типтік қате енгізу және салдары:

Түрді тексеруді қоспасаңыз және барлық NavigableString-де жаһандық ауыстыруды тікелей орындамасаңыз, <script> тегі var msg = "欢迎用户"; болады. Кейбір бос интерпретаторлар қате туралы хабарламауы мүмкін, бірақ егер айнымалы тағайындау логикалық пайымдауды немесе халықаралық кілт-мәнді салыстыруды қамтыса, бағдарлама логикасы сәтсіз болады. Аудару процесі тырнақша түрін немесе шығу таңбаларын өзгертсе, сценарийді талдау үзілуі мүмкін және бүкіл бет ақ экран ретінде пайда болады.

Python мәтіндік түйіндерді қауіпсіз ауыстыруды жүзеге асыру

Келесі код жоғарыдағы синтетикалық үлгіні жадта қауіпсіз өңдеу жолын көрсетеді. Мысал beautifulsoup4 тәуелді. Оны тәуелділіктерді құлыптайтын ортада іске қосыңыз. Арнайы ішкі сыныпты анықтауды қолдау үшін нұсқа 4.9.0 немесе одан жоғары болуы ұсынылады. Код желілік сұрауларды қамтымайды, тек талдау және ауыстыру логикасын көрсетеді.

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）")

Бұл кодтың кілті бірнеше isinstance тексерулері болып табылады. Әдемі сорпа ескірек болса да және Script сияқты сыныптарға қолдау көрсетпесе де, қосалқы шешім ретінде негізгі тег атауын тексеруге болады, бірақ ашық түрді тексеру әрқашан қолайлы. replace_with-ті нақты NavigableString конструкциясымен пайдалану тікелей тағайындаудан гөрі қауіпсіз. Ол ағаштағы түйіндердің анықтамалық қатынасын дұрыс өңдей алады және жетім нысандарды немесе түр шатасуын болдырмайды.

Қабылдау критерийлері және қолмен тексеру шекаралары

Түрді сүзу қорғаныстың бірінші жолы ғана. Жеткізу алдында сценарий шығысына соқыр сенімсіздікті болдырмау үшін автоматтандырылған өңдеу мен қолмен араласуды ажырату үшін нақты қабылдау матрицасын құру қажет.

Бұл кесте кодты көрсету деңгейінде логикалық тексеру үшін ғана жарамды. Үздік нәтиже нақты браузерде көрсету нәтижелерін тексеруді талап етеді. <meta> тегінің content атрибуттары, ARIA тегтері және т.б. NavigableString-ге жатпайтынымен, оларды да аудару қажет болуы мүмкін. Бұл талдаушыда төлсипаттың өту мүмкіндіктері болуын талап етеді және осы мақаланың осы түйінінің ауқымынан тыс.

Әрі қарай оқу

• Әдемі сорпаның ресми құжаттамасы: NavigableString
• Әдемі сорпаның ресми құжаттамасы: нысандардың түрлері

Құжатты аудару үшін бақылау парақтарын пайдаланыңыз

Веб-бет құжаттарының мәтіні, сілтемелері, коды және құрылымы бөлек өңделуі керек. Қорғалған бөліктерді қабылдау тізіміне қосыңыз, содан кейін аудармадан кейін оқылу және бет көрсетілімін бағалаңыз.

OmniDoc көп форматты құжатты аудару порталын ұсынады. Ресми веб-сайт OCR, глоссарий және екі тілді салыстыру сияқты функцияларды ұсынады. Егер команда өңдеуді тікелей файлдан бастағысы келсе, бұл жолды нақты үлгілермен бағалауға болады. Жүктеп салуға рұқсатыңыз бар сенсибилизацияланған файлдарды пайдаланыңыз және нәтижелерді қарап шығу үшін осы мақаладағы тексеру элементтерін пайдаланыңыз. Бұл OmniDoc осы мақалада сипатталған ашық бастапқы кітапханаларды немесе ішкі алгоритмдерді пайдаланады деген шағымдарды қамтымайды және мысалдар өнімнің өнімділігін тексеруді алмастырмайды.

📊 Негізгі салыстыру

🎯 Сізге қай әдіс қолайлы?

егер сіз……

• Веб-бет мәтінінің аудармасын өңдеу: анық түрімен сүзгілеу және тек қарапайым NavigableString ауыстырыңыз.
• <script> және <style> мазмұнын аудару керек: Алдымен оның i18n ресурсы екенін растаңыз, содан кейін оны өңдеу керек пе, жоқ па шешіңіз. Ол әдепкі бойынша өткізіп жіберіледі.
• Әдемі сорпаның ескі нұсқасын пайдалану: рейтингті төмендету үшін ата-аналық тег атауын пайдалануға болады, бірақ оны 4.9.0 немесе одан жоғары нұсқаға жаңарту ұсынылады.
• alt, title және басқа атрибуттарды аудару үшін: Атрибуттың өту логикасын бөлек жазу керек және бұл әдіс бұл бөлікті қамтымайды.

❓ Жиі қойылатын сұрақтар (ЖҚС)

1. Аударылатын мәтінді алу үшін тікелей find_all(text=True) пайдалана аламын ба?

Бұл әдіс таза мазмұнды шығару үшін жарамды, бірақ аударма сценарийлерінде Сценарий және Стиль кестесі сияқты арнайы ішкі санаттар да кәдімгі мәтін ретінде қарастырылады, бұл қауіпті.

2. Әдемі көже нұсқасы ескірек болса не істеуім керек?

Негізгі тег атауын төмендету сценарийі ретінде тексеруге болады, бірақ анық түрді тексеру әрқашан қолайлы және 4.9.0+ нұсқасы ұсынылады.

3. Ауыстырудан кейін HTML ұзындығы қатты өзгереді. Біз неге назар аударуымыз керек?

Ұзындық 300%-дан артық өзгерген кезде ескерту жалаушамен белгіленуі керек және инъекцияның немесе орналасудың толып кетуін болдырмау үшін аудармада бос емес арнайы таңбалардың бар-жоғын тексеру керек.

4. alt және title сияқты төлсипат мәндері осы код арқылы өңделе ме?

Болмайды. Атрибут мәндері осы мақаланың аясынан тыс және төлсипаттың өту логикасы бөлек жазылуы керек.

5. Оны нақты файлдарда тікелей қолдануға бола ма?

Алдымен құжаттың түпнұсқасын сақтап, жүктеп салуға рұқсатыңыз бар десенсибилизацияланған құжатпен тексерген жөн. Код синтетикалық үлгіні тексеруден өтті және барлық нақты файлдарға кепілдік бермейді.

📝 Түйіндеме

Веб-бетті аударудың кілті алдымен түйін түрін анықтау, содан кейін оны ауыстыруға болатынын шешу болып табылады. Сценарий, Стиль кестесі және Түсініктеме сияқты арнайы жолдарды анық сүзгіден өткізіп, нәтижелерді қарап шығу үшін қабылдау матрицасын пайдаланыңыз, осылайша бет қалыпты жұмыс істей алатынына көз жеткізу үшін мәтінді аударуға болады.

Қазір қолданып көріңіз: түпнұсқа орналасуын сақтай отырып, аударманы бастау үшін құжатты жүктеп салыңыз