OmniDocАударылған веб-бетте & қашан пайда болса, ол тағы бір рет декодталған ба?
Бетте `&` жолы көрсетілгенде, бірінші реакция көбінесе оны қайтадан декодтау болып табылады. Бірақ мәселе керісінше болуы мүмкін: сол мазмұн бөлігі әлдеқашан қашып кеткен және үлгі арқылы қайтадан құтылған. Алдымен сіз бетке кірістірілетін түпнұсқа HTML, DOM мәтіні немесе қарапайым жол екенін анықтаңыз, содан кейін оны түрлендіруді шешіңіз.
Веб-беттерді немесе құжаттарды аударатын әзірлеушілер жиі интуитивті мәселеге тап болады: аударылған бетте & жолы пайда болады, сондықтан олар бейсаналық түрде «Бұл бір декодтау аз ба?» деп ойлайды. Бірақ керісінше де болуы мүмкін: әлдеқашан қашып кеткен мазмұнның сол бөлігі үлгі арқылы қайтадан құтылады.
Бұл мақала алдымен қолыңызда не бар екенін анықтауға көмектеседі: өңделмеген HTML, DOM мәтіні немесе бетке кірістіруге дайын қарапайым жол. Ауыстыру туралы шешім қабылдамас бұрын мұны түсініңіз және шағын үлгімен бүкіл өңдеу тізбегін тексере аласыз.
Егер бетте & пайда болса, оны қайтадан декодтауды қалайсыз ба? Бір сөйлемнен қорытынды
Алдымен ағымдағы деректердің қай күйде екенін растаңыз, содан кейін оны түрлендіруді шешіңіз; жолдың сыртқы түріне қарай басқа қабатты шешу керек пе деп ойламаңыз.
| сіздің жағдайыңыз | Ұсынылатын тәжірибелер | себебі |
|---|---|---|
| Сізге түпнұсқа HTML беріледі және мәтінді аудару керек | Мәтін түйіндерін тауып, содан кейін оларды өңдеу үшін талдау құралын пайдаланыңыз | Бастапқы кодтағы жолдарды тікелей ауыстыру қате арқылы тегтер мен атрибуттарды оңай зақымдауы мүмкін. |
| Сіз алатын нәрсе - DOM мәтіні | Әдетте енді шартсыз декодтамаңыз | Мәтін қазірдің өзінде семантикалық мазмұн болып табылады және одан әрі декодтау түсінудің тағы бір қабатын қажет етуі мүмкін. |
| Сіз бетте көрсетілуі керек аударманың қарапайым мәтінін аласыз. | Мәтін ретінде шығу үшін оны үлгіге қалдырыңыз | Шығару орны сериялау әдісін анықтасын |
Бетте <div> сияқты литералдар көрсетіледі | Алдымен енгізу протоколын растаңыз, содан кейін қабатты шешуді шешіңіз | Мұндай мазмұн әдейі сақталған литералдар болуы мүмкін |
| Біраз бай мәтінді сақтау керек | Нақты тазалау стратегиясын қолданыңыз | Рұқсат етілген фрагменттер бақыланатын ережелерге бағынады |
Escape - бұл шығыс шекараларының мәселесі
html.escape қарапайым мәтіндегі HTML мағынасы бар таңбаларды нысандарға түрлендіреді, ал html.unescape нысандарды талдайды. Екеуі бір-бірін алмастыратын «тазалау қадамдары» емес. Аудармашыға әдетте семантикалық мәтін қажет, ал үлгіге ағымдағы позиция ережелеріне сәйкес келетін серияланған нәтиже қажет.
Мысалы, R&D өнім атауы мәтін ретінде көрсетілгенде еш қиындық туғызбайды, бірақ HTML бастапқы кодына жазылған кезде әдетте R&D ретінде көрсетіледі. Егер ол қайтадан қашып кетсе, ол R&amp;D болады және шолғыш нысанның литералын ортасында көрсетеді. Керісінше, егер сенімсіз мазмұн декодталған болса және тікелей HTML ретінде кірістірілсе, ондағы тегтер қайта іске қосылуы мүмкін.
Үш күйді пайдаланып шағын тәжірибе жасаңыз
import html
plain = 'R&D <Guide> "2026"'
encoded = html.escape(plain, quote=True)
double_encoded = html.escape(encoded, quote=True)
assert encoded == 'R&D <Guide> "2026"'
assert html.unescape(encoded) == plain
assert html.unescape(double_encoded) == encoded
assert html.unescape(double_encoded) != plain
untrusted = '<img src=x onerror=alert(1)>'
decoded = html.unescape(untrusted)
safe_as_text = html.escape(decoded, quote=True)
assert decoded.startswith('<img')
assert safe_as_text.startswith('<img')Бұл HTML немесе сценарийлерді орындамайтын стандартты кітапханадан алынған үлгі синтетикалық түрлендіру. Соңғы екі жол «мәтін ретінде шығаруды» өңдеуді көрсетеді, бұл HTML тазалаудың қауіпсіз шешімі емес, сонымен қатар JavaScript, CSS немесе URL мекенжайларына ерікті нәтижелерді қою қауіпсіз дегенді білдірмейді. Әртүрлі контексттер әртүрлі ережелерді талап етеді.
Алдымен деректер күйіне атау беріңіз
Бірнеше түрді content деп атамау үшін әр кезеңді ажырату үшін source_html, plain_text, translated_text және rendered_html пайдалануға болады. Жоба рұқсат етсе, қай функция тек кәдімгі мәтінді қабылдайтынын анықтау үшін оны жеңіл деректер класымен орауға болады.
Атау тестілеуді алмастырмайды, бірақ шолу кезінде «соңғы HTML-ді аудармашыға қайтару» сияқты сым қателерін табуға көмектеседі.
| Ағымдағы кіріс | не үміттену керек | Алдымен растау керек |
|---|---|---|
| Шикі HTML | Аударылатын мәтін | Талдаушы көмегімен мәтін түйіндерін табыңыз |
| DOM мәтіні | мақсатты тілдегі мәтін | Әдетте енді шартсыз декодтамаңыз |
| Қарапайым мәтінді аудару | Беттегі көрінетін мәтін | Үлгілердің мәтіннен қашуын қамтамасыз етіңіз |
| Рұқсат етілген пішімделген мәтін | Қауіпсіз дисплей клипі | Нақты тазалау стратегиясын қолданыңыз |
"Басқа өзгертулер жоқ" болғанша декодтауды циклге салмаңыз
Бұл жазу тәсілі көп деңгейлі нысандарды өңдеуге қабілетті сияқты, бірақ іс жүзінде ол пайдаланушы бастапқыда көрсеткісі келген кодты жояды. Оқулықтағы <div> қабылданбаған белгі емес, әдейі сақталған әріптік мән болуы мүмкін.
Қосымша қабаттың декодталуы керек пе, жоқ па, оны енгізу хаттамасымен анықтау керек және жолдың көрінісі арқылы болжауға болмайды. Сілтемелердің, төлсипат мәндерінің және денедегі код блоктарының әртүрлі аударма стратегиялары болуы мүмкін. Бұрыштық жақшаларды, тырнақшаларды, амперсандарды және нысан литералдарын қамтитын регрессия үлгілерінің жинағын сақтау және талданған мәтінді және соңғы шолғыш дисплейін бөлек қарау бастапқы файл жолдарын салыстырудан гөрі пайдалырақ.
Аударма шекараларын сақтау үшін шағын үлгілерді пайдаланыңыз
OmniDoc (өнім порталы) сияқты құжатты аудару порталын бағалау кезінде жоғарыдағы үлгіні HTML сынақ файлына салып, аудармадағы тег мысалдары мен өнім атауларының әлі де күтілгендей көрінетінін бақылай аласыз.
«Ағылшын тіліндегі аударма» жалғыз аяқтау критерийі болмауы керек. Мазмұнның мағынасы, қашатын қабаттар және кодты қорғау - барлығы жеткізудің бір бөлігі.
Бұл мақалада өңдеу әдісін көрсету үшін синтетикалық үлгілер пайдаланылады. Код оқшауланған ортадағы мысалдармен тексерілді; бұл барлық нақты файлдарға немесе өнім өнімділігіне кепілдік бермейді. Маңызды құжаттарды өңдеуден бұрын түпнұсқаларды сақтап, мәтіндегі шекаралар мен қабылдау элементтеріне сәйкес қарап шығыңыз.
Дереккөздер: Python html модулі.
📊 Негізгі салыстыру
| тәжірибе | Қолданылатын сценарийлер | Негізгі тәуекелдер |
|---|---|---|
| Жол енді өзгермейінше, декодтауды тікелей цикл | Протокол нақты енгізілмеген кезде | Көрсетілуі тиіс әріптік кодты жояды |
| Қабатты шешу керек пе, ол енгізу протоколымен анықталады | Деректердің ағымдағы күйін білу | Алдымен деректердің қай кезеңде екенін анықтау керек |
| Аударудан кейін қарапайым мәтін мәтіннен қашу үшін үлгіге беріледі. | Тек қалыпты мәтінді көрсетіңіз | Егер мәтін қашып кетсе, ол екі рет қашып шығады және&amp; пайда болады. |
🎯 Сізге қай әдіс қолайлы?
Егер сіз өңделмеген HTML алсаңыз
Алдымен мәтін түйінін табу үшін талдау құралын пайдаланыңыз, тек мәтін мазмұнын аударыңыз және бүкіл бастапқы кодта жолды ауыстыруды орындамаңыз.
Егер сіз DOM мәтінін алсаңыз
Әдетте оны декодтау қажет емес және оны тікелей мәтін ретінде өңдеуге болады.
Аударманы бетке енгізгіңіз келсе
Мәтін ретінде шығу үшін оны үлгіге қалдырыңыз, алдымен оны декодтамаңыз, содан кейін оны HTML ретінде енгізіңіз.
Бет <div> сияқты кодтарды көрсету қажет болса
Алдымен енгізу протоколын растаңыз, ол әдейі сақталған литерал болуы мүмкін және өңделмеген тег ретінде қарастырылмауы керек.
❓ Жиі қойылатын сұрақтар (ЖҚС)
1. Бетте & пайда болғанда, ол тағы бір рет декодталған болуы керек пе?
белгісіз. Сондай-ақ, сол мазмұн абзацы қашып, үлгі арқылы қайтадан қашып кетуі мүмкін, яғни R&D R&D болып, содан кейін R&amp;D болады.
2. Жол өзгермейінше декодтауды циклге айналдыруға болады ма?
Ұсынылмайды. Бұл тәсіл сөзбе-сөз көрсетілуі керек кодты бұзады және қабатты шешу керек пе, оны енгізу протоколы анықтау керек.
3. Аударылған мәтінді тікелей HTML ретінде енгізуге болады ма?
Оны тікелей енгізу мүмкін емес. Декодталған мазмұн оның ішіндегі тегтерді қайта белсендіруі мүмкін және қарапайым мәтінді рұқсат етілген пішімделген мәтіннен ажырату керек.
4. Неліктен біз бастапқы файлдардың жолдарын салыстыра алмаймыз?
Бастапқы файл жолы талданған мәтінді және соңғы шолғыш дисплейін көрсетпейді. Шығу қабаттарының санының дұрыстығын растау үшін екеуін де бөлек тексеру керек.
📝 Түйіндеме
& кездескен кезде, алдымен сіз алып жатқан бастапқы HTML, DOM мәтіні немесе қарапайым жол бастапқы HTML, DOM мәтіні немесе қарапайым жол екенін анықтаңыз, содан кейін оны түрлендіруді шешіңіз. Тек қашып кететін шекараларды қорғау үшін регрессия үлгілерінің жиынтығын пайдалану арқылы ғана аударма нәтижелері шынымен сенімді болуы мүмкін.
