После перевода китайской статьи на английский недостаточно просто изменить текст: необходимо соответствующим образом изменить и атрибут lang.

Основные положения этой статьи

— После перевода китайской статьи на английский недостаточно просто заменить текст. Атрибут lang и теги местного языка HTML также необходимо изменить одновременно.

• Фрагменты, такие как цитаты на китайском языке, в которых сохраняется исходный текст, должны явно указывать язык, чтобы они не были ошибочно прочитаны как английский программным обеспечением для чтения с экрана или браузерами.
• Сценарий проверки выполняет только статический анализ, а динамически внедряемые языковые теги и языковые оценки необходимо тестировать отдельно или проверять вручную.
• О неверных значениях языка или конфликтах родительских и дочерних тегов следует сообщать и оставлять их на усмотрение человека, а не на автоматическое исправление.

— Пример кода был проверен только в изолированной среде. Оригиналы следует сохранить и просмотреть в соответствии с формой приемки перед обработкой важных документов.

После перевода китайского HTML на английский недостаточно просто заменить основной текст. Атрибут lang и разметка на местном языке также должны быть изменены одновременно, иначе браузеры и программы для чтения с экрана будут обрабатывать контент на неправильном языке. Эта статья предназначена для редакторов и разработчиков, которым приходится заниматься переводом веб-документов и которых беспокоят доступность и семантическая структура. После прочтения вы сможете определить, какой lang необходимо изменить, а какой оставить, и использовать Beautiful Soup для статической проверки.

В демонстрациях в этой статье используются синтетические образцы. Код прошел выборочные проверки в изолированной среде, но это не является гарантией работоспособности всех реальных файлов или продукта. Перед обработкой важных документов, пожалуйста, сохраните оригиналы и просмотрите их по границам и пунктам приема в тексте.

Как перевести китайский HTML на английский, как изменить атрибут lang? Вывод в одно предложение

После перевода вам необходимо изменить lang корневого узла на целевой язык и проверить, соответствует ли каждый тег местного языка фактическому тексту.

Почему атрибут lang нельзя заменить глобально?

Интуитивный подход заключается в использовании регулярных выражений или операций DOM для изменения <html lang="zh-CN"> корневого узла на <html lang="en"> после завершения трансляции. Это прекрасно работает для одноязычных страниц, но рабочие HTML-документы часто содержат многоязычные фрагменты. Например, технический блог на английском языке может цитировать оригинальный текст древней китайской книги или включать непереведенные имена собственные, комментарии к коду и комментарии пользователей. Эти локальные области обычно явно объявляются в языке через <span lang="zh-CN"> или <blockquote lang="zh">.

Если бы все атрибуты lang были переопределены вслепую, эти сохраняющие текст фрагменты потеряли бы правильный языковой контекст. И наоборот, если изменен только корневой узел, а дочерние узлы игнорируются, а дочерние узлы наследуют старое значение zh-CN, переведенный английский абзац все равно будет распознаваться как китайский.

Правильная логика — «наследование сверху вниз + проверка локального покрытия»: убедитесь, что фактический язык каждого текстового узла соответствует значению lang его ближайшего родительского узла. Это не простой поиск и замена, а обходная проверка семантического состояния DOM-дерева.

Языковые теги являются частью структуры документа.

• Языковые теги влияют на индексацию поисковых систем, селекторы псевдоклассов CSS (например, :lang(en)) и средства проверки орфографии.
• Это не декоративные метаданные, их необходимо перенести вместе с содержимым.

Пример синтеза: правильный вывод и крайние случаи

Ниже в качестве входного примера используется типичный смешанный HTML-код.

Синтетический входной образец:

<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>

Предположим, что цель состоит в том, чтобы перевести этот документ на английский язык, сохранив при этом оригинальный китайский текст цитат.

Ожидаемый правильный результат:

-Корневой узел становится lang="en". — Заголовки и абзацы тела наследуют язык корневого узла без дополнительной разметки.

• <span> внутри контейнера цитирования остается lang="zh-CN" без изменений.

– Нижний колонтитул будет наследовать английский язык, если нет особых требований к языку.

Переведенный абзац на английском языке не может сохранить атрибут lang, указывающий на китайский язык, а сохраненный фрагмент на китайском языке должен быть явно объявлен, чтобы предотвратить его ошибочное прочтение как английский.

Распространенные ошибки и крайние случаи

1. Пустая строка или недопустимое значение: в исходном файле существует lang="" или lang="chinese" (стандарт не BCP47). Метод обработки заключается в том, чтобы пометить его как исключение и вручную дополнить его как zh-CN или en-US в зависимости от контекста, либо очистить перед переводом.
2. Динамически генерируемый языковой тег. Некоторые CMS внедряют атрибут lang во время выполнения, который отсутствует в статическом HTML. Скрипт может проверять только статический исходный код, и при приемке необходимо отметить, что «динамический контент необходимо тестировать отдельно».
3. Конфликт вложенности: <div lang="en"><p lang="zh-CN">已翻译为英文的内容</p></div> — типичное несоответствие между содержимым и разметкой. Валидатор должен сообщать о таких конфликтах, а не исправлять их автоматически, поскольку невозможно определить, неправильно ли переведен контент или неправильно написана разметка.

📊 Сравнение ядра

Создайте средство проверки согласованности языка с помощью Beautiful Soup

В следующем примере Python показано, как анализировать HTML и обнаруживать риск несоответствия между языковой разметкой и содержимым. Это всего лишь демонстрация логики периферийной проверки, а не полная система обеспечения качества перевода.

Примечание. Этот пример предназначен для учебных целей и не запускался и не проверялся в реальной производственной среде. Пожалуйста, не используйте его непосредственно для онлайн-проверки качества.

# 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.")

Сценарий использует Beautiful Soup для анализа HTML в дереве объектов, а затем находит все точки объявления языка с помощью find_all(attrs={'lang': True}). Он не выполняет перевод, только статический анализ. Оператор утверждения проверяет, что функция распознает два типичных типа проблем. Следует отметить, что это всего лишь эвристическая проверка по набору символов и она не может заменить лингвистическую проверку.

Критерии приемки и границы ручной проверки

Автоматизированная проверка может обнаружить структурные ошибки, но не может понять контекст. В следующей таблице показан разрыв между тем, что может обнаружить код, и тем, что необходимо просмотреть вручную:

Явные неприменимые сценарии:

• Эта логика проверки не применяется к неструктурированным документам, таким как PDF, Word и т. д.
• Недоступно для одностраничных приложений, полностью созданных с помощью JavaScript (кроме SSR).
• Не может использоваться отдельно в качестве критерия оценки качества машинного перевода.

При обнаружении элемента в форме, которая «требует проверки вручную», автоматический процесс следует приостановить и вмешаться редактор, знакомый с двуязычием.

🎯 Какой метод подходит вам?

если ты……

• Только одноязычные страницы: замена корневого узла возможна, но вам все равно необходимо проверить, наследуют ли дочерние узлы старое значение.
• На странице сохранены цитаты или имена собственные на китайском языке. Добавьте к этим фрагментам явный оператор lang.

– Контент, динамически создаваемый CMS или JavaScript. Включите языковую разметку в рамки внешнего E2E-тестирования.

• Обработка файлов PDF или Word: логика проверки HTML, описанная в этой статье, неприменима, и вам необходимо использовать метод проверки соответствующего формата.

❓ Часто задаваемые вопросы (FAQ)

1. Достаточно ли изменить только атрибут lang корневого узла?

недостаточно. Если дочерний узел наследует старое значение zh-CN, переведенный английский абзац все равно будет распознаваться как китайский. Каждый текстовый узел должен быть проверен на соответствие языку его ближайшего родительского узла.

2. Как быть с цитатами на китайском языке, оставшимися на странице?

Явно объявите это с помощью <span lang="zh-CN"> или <blockquote lang="zh"> и т. д. Это предотвратит ошибочное прочтение китайских фрагментов как английских.

3. Можно ли напрямую сохранить lang="" или lang="chinese"?

Не рекомендуется. Эти значения не соответствуют стандарту BCP47. Его следует пометить как исключение, вручную дополнить допустимыми тегами, такими как zh-CN или en-US, в зависимости от контекста, или очистить перед переводом.

4. Может ли сценарий проверять динамически генерируемые языковые теги из JavaScript?

не могу. Скрипт проверяет только статический исходный код. Динамически внедряемый контент необходимо тестировать отдельно и включать в объем внешнего E2E-тестирования.

📝 Резюме

При переводе HTML языковые теги и основной текст следует переносить вместе. Сначала проверьте корневой узел, затем поэлементно проверьте объявления местного языка и, наконец, используйте проверку вручную, чтобы заполнить те части, которые сценарий не может определить.

Попробуйте сейчас: загрузите документ, чтобы начать перевод, сохранив исходный макет.

Ссылки

• Официальная документация Beautiful Soup - Атрибуты: https://www.crummy.com/software/BeautifulSoup/bs4/doc/#attributes

Используйте этот контрольный список для перевода документов

Текст, ссылки, код и структура веб-документов должны обрабатываться отдельно. Внесите части, нуждающиеся в защите, в список приемки, а затем оцените читаемость и эффект отображения страницы после перевода.

OmniDoc (портал продуктов) предоставляет портал для многоформатного перевода документов. На официальном сайте представлены такие функции, как распознавание текста, глоссарий и двуязычное сравнение. Если ваша команда хочет начать обработку непосредственно из файла, вы можете оценить этот путь на реальных примерах. Используйте десенсибилизированные файлы, на загрузку которых у вас есть разрешение, и используйте элементы проверки в этой статье, чтобы просмотреть результаты. В этой статье не рассматривается внутренняя реализация OmniDoc, и примеры не заменяют тестирование производительности продукта.