Na het vertalen van een Chinees artikel naar het Engels is alleen het wijzigen van de tekst niet voldoende: het lang-attribuut moet ook dienovereenkomstig worden gewijzigd.

Nadat Chinese HTML naar het Engels is vertaald, is het niet voldoende om alleen de hoofdtekst te vervangen. Het lang-attribuut en de lokale taalmarkering moeten ook tegelijkertijd worden gewijzigd, anders zullen browsers en schermleessoftware de inhoud in de verkeerde taal verwerken. Dit artikel is bedoeld voor redacteuren en ontwikkelaars die te maken hebben met het vertalen van webdocumenten en zich zorgen maken over de toegankelijkheid en de semantische structuur. Na het lezen kunt u bepalen welke lang moet worden gewijzigd en welke behouden moeten blijven, en kunt u Beautiful Soup gebruiken om een statische verificatie uit te voeren.

Bij de demonstraties in dit artikel wordt gebruik gemaakt van synthetische monsters. De code is in een geïsoleerde omgeving aan steekproeven onderworpen, maar dit is geen garantie voor alle echte bestanden of productprestaties. Voordat u belangrijke documenten verwerkt, dient u de originelen te bewaren en deze te controleren op basis van de grenzen en acceptatie-items in de tekst.

Hoe vertaal ik Chinese HTML naar het Engels, hoe verander ik het lang-attribuut? Conclusie in één zin

Na de vertaling moet u de lang van het hoofdknooppunt wijzigen in de doeltaal en controleren of elke lokale taaltag consistent is met de daadwerkelijke tekst.

Waarom kan het lang-attribuut niet globaal worden vervangen?

De intuïtieve aanpak is om reguliere expressies of DOM-bewerkingen te gebruiken om de <html lang="zh-CN"> van het hoofdknooppunt te wijzigen in <html lang="en"> nadat de vertaling is voltooid. Dit werkt prima voor eentalige pagina's, maar HTML-productiedocumenten bevatten vaak meertalige fragmenten. Een Engelse technische blog kan bijvoorbeeld de originele tekst van een oud Chinees boek citeren, of onvertaalde eigennamen, codecommentaar en gebruikerscommentaar insluiten. Deze lokale gebieden worden meestal expliciet in de taal aangegeven via <span lang="zh-CN"> of <blockquote lang="zh">.

Als alle lang-attributen blindelings zouden worden overschreven, zouden deze tekstbehoudende fragmenten hun correcte taalcontext verliezen. Omgekeerd, als alleen het hoofdknooppunt wordt gewijzigd en de onderliggende knooppunten worden genegeerd, en de onderliggende knooppunten de oude zh-CN-waarde overnemen, wordt de vertaalde Engelse paragraaf nog steeds als Chinees herkend.

De juiste logica is "overerving van bovenaf + verificatie van lokale dekking": bevestig dat de feitelijke taal van elk tekstknooppunt consistent is met de lang-waarde van het dichtstbijzijnde voorliggende knooppunt. Dit is geen eenvoudig zoeken en vervangen, maar een transversale verificatie van de semantische toestand van de DOM-boom.

Taaltags maken deel uit van de documentstructuur

• Taaltags beïnvloeden de indexering van zoekmachines, CSS-pseudoklasseselectors (zoals :lang(en)) en spellingcontrole
• Het zijn geen decoratieve metadata en moeten met de inhoud worden gemigreerd

Synthesevoorbeeld: correcte uitvoer en randgevallen

Het volgende gebruikt een typische gemengde taal-HTML als invoervoorbeeld.

Synthetisch invoervoorbeeld:

<html lang="zh-CN">
<body>
  <h1>产品发布说明</h1>
  <p>本次更新修复了登录模块的严重Bug。</p>
  <p class="quote">原文引用：<span lang="zh-CN">天行健，君子以自强不息。</span></p>
  <footer>版权所有 © 2024</footer>
</body>
</html>

Stel dat het doel is om dit document in het Engels te vertalen met behoud van de originele Chinese tekst van de citaten.

Verwachte correcte uitvoer:

-Het hoofdknooppunt wordt lang="en"

• Titels en hoofdtekstparagrafen nemen de taal van het hoofdknooppunt over, zonder extra opmaak
• <span> in een citatiecontainer blijft lang="zh-CN" ongewijzigd
• De voettekst neemt het Engels over als er geen speciale taalvereiste is.

De vertaalde Engelse paragraaf kan het kenmerk lang dat naar het Chinees verwijst niet behouden, en het behouden Chinese fragment moet expliciet worden gedeclareerd om te voorkomen dat het verkeerd als Engels wordt gelezen.

Veelvoorkomende fouten en randgevallen

1. Lege tekenreeks of ongeldige waarde: lang="" of lang="chinese" (niet-BCP47-standaard) bestaat in het bronbestand. De verwerkingsmethode is om het als een uitzondering te markeren en het handmatig aan te vullen als zh-CN of en-US, afhankelijk van de context, of om het op te schonen vóór de vertaling.
2. Dynamisch gegenereerde taaltag: sommige CMS injecteren tijdens runtime het kenmerk lang, dat ontbreekt in statische HTML. Het script kan alleen de statische broncode verifiëren, en "dynamische inhoud moet afzonderlijk worden getest" moet tijdens de acceptatie worden vermeld.
3. Nestconflict: <div lang="en"><p lang="zh-CN">已翻译为英文的内容</p></div> is een typische inconsistentie tussen inhoud en opmaak. De validator moet dergelijke conflicten rapporteren in plaats van ze automatisch te corrigeren, omdat er geen manier is om te bepalen of de inhoud onjuist is vertaald of dat de opmaak onjuist is geschreven.

📊 Kernvergelijking

Bouw een taalconsistentiecontrole met Beautiful Soup

Het volgende Python-voorbeeld laat zien hoe u HTML kunt parseren en het risico van inconsistenties tussen taalopmaak en inhoud kunt detecteren. Het is slechts een demonstratie van perifere verificatielogica, geen compleet systeem voor kwaliteitsborging van vertalingen.

Opmerking: dit voorbeeld is bedoeld voor onderwijsdoeleinden en is niet uitgevoerd en geverifieerd in een daadwerkelijke productieomgeving. Gebruik het niet rechtstreeks voor online kwaliteitscontrole.

# 依赖: beautifulsoup4 (推荐 4.12.x 系列)
# 注意: CJK检测仅为启发式演示，仅覆盖基本汉字区(U+4E00-U+9FFF)，
#       不包含日文假名、韩文谚文及扩展区字符，生产环境请使用专用语言识别库
from bs4 import BeautifulSoup

def validate_lang_consistency(html_content: str, target_lang: str) -> list:
    """
    校验HTML中lang属性是否与目标语言一致。
    返回潜在问题列表，而非自动修复。
    """
    soup = BeautifulSoup(html_content, 'html.parser')
    issues = []

    # 检查根节点
    html_tag = soup.find('html')
    if html_tag and html_tag.get('lang', '').lower() != target_lang.lower():
        issues.append(f"Root lang mismatch: '{html_tag.get('lang')}' vs expected '{target_lang}'")

    # 遍历所有带lang属性的元素
    for tag in soup.find_all(attrs={'lang': True}):
        current_lang = tag['lang'].strip().lower()
        # 跳过根节点（已检查）和无文本内容的标签
        if tag.name == 'html' or not tag.get_text(strip=True):
            continue

        # 启发式检查：标记语言与文本字符集是否冲突
        text = tag.get_text(strip=True)
        has_cjk = any('\u4e00' <= c <= '\u9fff' for c in text)

        if target_lang.startswith('en') and has_cjk and current_lang.startswith('en'):
            issues.append(f"Content-lang conflict: <{tag.name} lang='{current_lang}'> contains CJK: '{text[:20]}...'")
        elif target_lang.startswith('zh') and not has_cjk and current_lang.startswith('zh'):
            # 排除纯数字/符号等特殊情况
            if len(text) > 3 and text.isascii():
                issues.append(f"Content-lang conflict: <{tag.name} lang='{current_lang}'> seems non-CJK: '{text[:20]}...'")

    return issues

# 合成测试用例（模拟翻译后未清理lang属性的场景）
sample_html = '''
<html lang="zh-CN">
<body>
  <p>This paragraph was translated to English but lang attr remains.</p>
  <p lang="en">天行健，君子以自强不息。</p>
</body>
</html>
'''

results = validate_lang_consistency(sample_html, 'en')
# 验证函数能识别出根节点不匹配和内容-标记冲突两类问题
assert len(results) == 2, f"Expected 2 issues, got {len(results)}"
assert 'Root lang mismatch' in results[0]
assert 'Content-lang conflict' in results[1]
print("Validation logic structure verified.")

Het script gebruikt Beautiful Soup om HTML in een objectboom te parseren en lokaliseert vervolgens alle taaldeclaratiepunten via find_all(attrs={'lang': True}). Het doet geen vertaling, alleen statische analyse. De beweringverklaring verifieert dat de functie twee typische soorten problemen herkent. Opgemerkt moet worden dat dit slechts een heuristische controle is op basis van de tekenset en een taalkundige beoordeling niet kan vervangen.

Acceptatiecriteria en grenzen voor handmatige beoordeling

Geautomatiseerde validatie kan structurele fouten opsporen, maar kan de context niet begrijpen. De volgende tabel schetst de kloof tussen wat de code kan detecteren en wat handmatig moet worden beoordeeld:

Expliciete niet-toepasbare scenario's:

• Deze verificatielogica is niet van toepassing op ongestructureerde documenten zoals PDF, Word, enz.
• Niet beschikbaar voor applicaties van één pagina die volledig door JavaScript worden weergegeven (behalve SSR)
• Kan niet op zichzelf worden gebruikt als criterium voor het beoordelen van de kwaliteit van automatische vertalingen

Wanneer u een item tegenkomt in de vorm dat "handmatige beoordeling vereist", moet het geautomatiseerde proces worden opgeschort en moet een redacteur die bekend is met tweetaligheid tussenbeide komen.

🎯 Welke methode is geschikt voor jou?

als je……

• Alleen eentalige pagina's: vervanging van hoofdknooppunten is mogelijk, maar u moet nog steeds controleren of de onderliggende knooppunten de oude waarde overnemen.
• Pagina behoudt Chinese citaten of eigennamen: Voeg een expliciete lang-verklaring toe aan deze fragmenten.
• Inhoud dynamisch gegenereerd door CMS of JavaScript: Integreer taalmarkeringen in de reikwijdte van front-end E2E-testen.
• PDF- of Word-bestanden verwerken: de HTML-verificatielogica van dit artikel is niet van toepassing en u moet de controlemethode van het overeenkomstige formaat gebruiken.

❓ Veelgestelde vragen (FAQ)

1. Is het voldoende om alleen het lang-attribuut van het rootknooppunt te wijzigen?

niet genoeg. Als het onderliggende knooppunt de oude zh-CN-waarde overneemt, wordt de vertaalde Engelse paragraaf nog steeds als Chinees herkend. Elk tekstknooppunt moet worden gecontroleerd op consistentie in de taal van het dichtstbijzijnde voorliggende knooppunt.

2. Hoe om te gaan met de Chinese citaten op de pagina?

Geef het expliciet aan met <span lang="zh-CN"> of <blockquote lang="zh"> etc. Dit voorkomt dat Chinese fragmenten verkeerd worden gelezen als Engels.

3. Kan lang="" of lang="chinese" rechtstreeks worden bewaard?

Niet aanbevolen. Deze waarden voldoen niet aan de BCP47-standaard. Het moet als uitzondering worden gemarkeerd, handmatig worden aangevuld in geldige tags zoals zh-CN of en-US, afhankelijk van de context, of worden opgeschoond vóór vertaling.

4. Kan een script dynamisch gegenereerde taaltags uit JavaScript controleren?

kan niet. Het script verifieert alleen statische broncode. Dynamisch geïnjecteerde inhoud moet afzonderlijk worden getest en worden opgenomen in de reikwijdte van front-end E2E-testen.

📝 Samenvatting

Bij het vertalen van HTML moeten taaltags en hoofdtekst samen worden gemigreerd. Controleer eerst het hoofdknooppunt, controleer vervolgens de lokale taaldeclaraties item voor item en gebruik ten slotte handmatige beoordeling om de delen in te vullen die het script niet kan bepalen.

Probeer het nu: upload het document om de vertaling te starten, waarbij de oorspronkelijke lay-out behouden blijft

Referenties

• Beautiful Soup officiële documentatie - Attributen: https://www.crummy.com/software/BeautifulSoup/bs4/doc/#attributes

Gebruik deze checklist voor documentvertaling

De tekst, links, code en structuur van webdocumenten moeten afzonderlijk worden verwerkt. Plaats de onderdelen die bescherming nodig hebben in de acceptatielijst en evalueer vervolgens de leesbaarheid en het paginaweergave-effect na vertaling.

OmniDoc (productportaal) biedt een documentvertalingsportaal in meerdere formaten en de officiële website introduceert functies zoals OCR, woordenlijst en tweetalige vergelijking. Als uw team rechtstreeks vanuit het bestand wil beginnen met verwerken, kunt u dit pad evalueren met echte voorbeelden. Gebruik ongevoelige bestanden waarvoor u toestemming heeft om te uploaden, en gebruik de controle-items in dit artikel om de resultaten te bekijken. Dit artikel behandelt niet de interne implementatie van OmniDoc, en de voorbeelden zijn geen vervanging voor het testen van productprestaties.