தொழில்நுட்ப ஆவண மொழிபெயர்ப்பு குறியீட்டை மொழிபெயர்க்க மிகவும் பயமாக இருக்கிறது: குறியீடு தொகுதிகளைப் பாதுகாக்க அழகான சூப்பைப் பயன்படுத்தவும்

தொழில்நுட்ப ஆவணங்களின் மொழிபெயர்ப்பில், user_id ஐ "பயனர் அடையாளங்காட்டியாக" மொழிபெயர்ப்பது அல்லது <div class="container"> இல் வகுப்பு பண்புக்கூறை மாற்றுவது விலை உயர்ந்தது மற்றும் சிக்கலைத் தீர்ப்பது கடினம். இந்த வகை பிழையானது பொதுவாக நிரலை செயலிழக்கச் செய்யாது, ஆனால் நகலெடுக்கப்பட்ட மற்றும் ஒட்டப்பட்ட குறியீட்டை நேரடியாக பிழையைப் புகாரளிக்கச் செய்யலாம் அல்லது API ஆவணத்தில் உள்ள எடுத்துக்காட்டுகள் தவறானதாக இருக்கலாம்.

மொழிபெயர்ப்பு இயந்திரம் எவ்வளவு புத்திசாலித்தனமானது என்பதில் தீர்வு இல்லை, ஆனால் முன் செயலாக்க நிலை DOM ட்ரீயில் உள்ள இயற்கை மொழியையும் குறியீட்டையும் துல்லியமாக பிரிக்க முடியுமா என்பதில் உள்ளது. வழக்கமான வெளிப்பாடுகள் ஏன் போதுமானதாக இல்லை என்பதை பின்வருபவை முதலில் விளக்கும், பின்னர் பியூட்டிஃபுல் சூப்பின் முனை அடையாள முறையை நிரூபிக்க செயற்கை மாதிரிகளைப் பயன்படுத்தவும், இறுதியாக ஏற்றுக்கொள்ளும் அளவுகோல்களை வழங்கவும். அனைத்து எடுத்துக்காட்டுகளும் செயற்கைத் தரவுகள், முக்கியமான கோப்புகளில் பணிபுரியும் முன் அசல்களை வைத்திருங்கள்.

தொழில்நுட்ப ஆவணங்களை மொழிபெயர்க்கும்போது குறியீட்டை எவ்வாறு பாதுகாப்பது? ஒரு வாக்கியத்தின் முடிவு

DOM மரத்தில் உள்ள குறியீட்டு முனைகளை அடையாளம் காண அழகான சூப்பைப் பயன்படுத்தவும், முதலில் அவற்றை முகமூடி அல்லது அகற்றவும், பின்னர் மொழிபெயர்ப்பிற்கு இயல்பான மொழிப் பத்திகளை மட்டுமே அனுப்பவும், மேலும் தானியங்கி சரிபார்ப்பு மற்றும் கைமுறை மதிப்பாய்வை விநியோகத் தரங்களாகப் பயன்படுத்தவும்.

##ஏன் வழக்கமான வெளிப்பாடுகள் குறியீடு பாதுகாப்பிற்கு போதுமானதாக இல்லை

பல குழுக்கள் மொழிபெயர்ப்பிற்கு முன் குறியீட்டு துணுக்குகளை வழக்கமான வெளிப்பாடுகளுடன் மாற்ற முயற்சிக்கும், ஆனால் இந்த அணுகுமுறை HTML கட்டமைப்பில் உடையக்கூடியது. HTML என்பது நேரியல் உரை அல்ல, ஆனால் உள்ளமைக்கப்பட்ட மர அமைப்பு. <code> குறிச்சொல்லில் <span> சிறப்பம்சங்கள் இருக்கலாம் அல்லது இணைப்பை உருவாக்க <a> குறிச்சொல்லால் மூடப்பட்டிருக்கலாம். வழக்கமான வெளிப்பாடுகள் இந்த கூடு உறவைப் புரிந்து கொள்ள முடியாது, இது எளிதாக லேபிள் மூடும் பிழைகளை ஏற்படுத்தலாம் அல்லது எல்லை நிலைமைகளை இழக்கலாம்.

பியூட்டிஃபுல் சூப் போன்ற பாகுபடுத்திகளைப் பயன்படுத்தி, குறியீடு பாதுகாப்பை "ஸ்ட்ரிங் மேட்சிங்" என்பதிலிருந்து "நோட் டிராவர்சல்" ஆக மேம்படுத்தலாம். அழகான சூப் 4.15.0 அதிகாரப்பூர்வ ஆவணம் இன் படி, குறிப்பிட்ட எழுத்து வடிவங்களைத் தேடாமல், DOM ட்ரீயில் உள்ள டேக் பொருள்களை நிரல்கள் நேரடியாகக் கையாள முடியும். pre, code, kbd, samp போன்ற சொற்பொருள் குறிச்சொற்களையும், highlight, language-python போன்ற வகுப்புகளைக் கொண்ட கூறுகளையும் அடையாளம் காண்பதன் மூலம், அதன் உள் அமைப்பு எவ்வளவு சிக்கலானதாக இருந்தாலும், பாதுகாக்கப்பட வேண்டிய பகுதியை துல்லியமாக குறிவைக்க முடியும்.

தொகுப்பு எடுத்துக்காட்டு: சரியான வெளியீடு மற்றும் எல்லைப் பொறி

பாதுகாப்பு தர்க்கத்தை சரிபார்க்க, செயற்கை சோதனை வழக்குகளின் வெளிப்படையான தொகுப்பு உருவாக்கப்பட வேண்டும். பின்வரும் உள்ளீடு பாகுபடுத்தும் தர்க்கத்தை நிரூபிக்க மட்டுமே பயன்படுத்தப்படுகிறது. இது உண்மையான உற்பத்தித் தரவு அல்ல மற்றும் வெளிப்புற கோப்பு வாசிப்பை உள்ளடக்காது.

செயற்கை உள்ளீடு HTML:

<p>请运行 <code class="cmd">pip install -r requirements.txt</code> 来安装依赖。</p>
<pre><code># 初始化配置
config = {"timeout": 30}</code></pre>
<p>注意：<var>timeout</var> 参数单位为秒。</p>

எதிர்பார்க்கப்படும் பிரித்தெடுத்தல் முடிவுகள்: மொழிபெயர்ப்பு அமைப்பு பின்வரும் எளிய உரைப் பத்தியை மட்டுமே பெற வேண்டும், குறியீட்டுப் பகுதியானது ஒதுக்கிடங்களால் மாற்றப்படும் அல்லது முழுவதுமாக அகற்றப்படும்:

1. "சார்புகளை நிறுவ [CODE_0] ஐ இயக்கவும்."
2. "குறிப்பு: [VAR_0] அளவுரு அலகு வினாடிகள்."

<pre> தொகுதியில் உள்ள உள்ளடக்கம் மொழிபெயர்க்கப்பட வேண்டிய உரை ஸ்ட்ரீமில் தோன்றக்கூடாது அல்லது அசல் பைட்டுகளுடன் மாறாமல் ஏற்றுமதி செய்யப்பட வேண்டும்.

வழக்கமான பிழைகள் மற்றும் எல்லை கையாளுதல்:

• Nested tags: <code><b>bold_code</b></code> இல், code.string ஐ மட்டும் பிரித்தெடுத்தால், எதுவும் இல்லை, ஏனெனில் உள்ளடக்கமானது b என்ற சைல்டு நோடில் உள்ளது. get_text() அல்லது சந்ததியினரின் சுழல் பயணத்தைப் பயன்படுத்த வேண்டும்.
• பண்பு மதிப்பு கசிந்தது: <a href="/api/v1/users">用户接口</a> இன் மொழிபெயர்ப்பு இலக்கு "பயனர் இடைமுகம்" மட்டுமே, href பண்புக்கூறு மதிப்பு பூட்டப்பட வேண்டும். முழு குறிச்சொல்லும் சரமாக மாற்றப்பட்டு, மொழிபெயர்ப்பிற்கு அனுப்பப்பட்டால், URL சிதைந்திருக்கலாம்.
• சூடோகோட் குறிச்சொல்: <div class="code-snippet"> ஒரு நிலையான சொற்பொருள் குறிச்சொல் அல்ல, மேலும் CSS வகுப்பு பெயர் அனுமதிப்பட்டியலின் மூலம் கூடுதலாகப் பிடிக்கப்பட வேண்டும், இல்லையெனில் அது சாதாரண பத்தி மொழிபெயர்ப்பாகக் கருதப்படும்.

DOM மரத்தின் அடிப்படையில் குறியீடு முனை அடையாளத்தை செயல்படுத்துதல்

பின்வரும் பைதான் உதாரணம், ஒரு ஆவண மரத்தை கடப்பதற்கும், மொழிபெயர்க்கக்கூடிய உரை மற்றும் பாதுகாக்கப்பட்ட குறியீட்டை வேறுபடுத்துவதற்கும் அழகான சூப்பை எவ்வாறு பயன்படுத்துவது என்பதைக் காட்டுகிறது. இந்த ஸ்கிரிப்ட் தூய நினைவக செயல்பாடுகளின் கற்பித்தல் விளக்கமாகும் மற்றும் பிணைய கோரிக்கைகள், ஷெல் கட்டளைகள் அல்லது கோப்பு எழுதுதல் ஆகியவற்றைக் கொண்டிருக்கவில்லை. beautifulsoup4>=4.15.0 சூழலில் இயக்க பரிந்துரைக்கப்படுகிறது.

from bs4 import BeautifulSoup, NavigableString, Tag

# 合成示例：包含内联代码、代码块及普通文本（仅用于演示，非真实数据）
HTML_SAMPLE = """
<article>
  <p>使用 <code class="cli">kubectl get pods</code> 查看状态。</p>
  <pre><code>def hello():
    print("Hello World")</code></pre>
  <p>返回值 <var>result</var> 可能为空。</p>
</article>
"""

# 定义需要整体保护的标签集合
PROTECTED_TAGS = {'pre', 'code', 'kbd', 'samp', 'var'}

def extract_translatable_segments(html_content: str) -> list[dict]:
    """
    提取HTML中的文本片段并标记是否可翻译。
    注意：此为教学演示代码，生产环境需增加占位符生成与属性保护逻辑。
    """
    soup = BeautifulSoup(html_content, 'html.parser')
    segments = []

    # 遍历所有文本节点，而非仅顶层标签
    for element in soup.descendants:
        if isinstance(element, NavigableString):
            # 检查父链上是否存在受保护标签
            parent_chain = list(element.parents)
            is_protected = any(
                p.name in PROTECTED_TAGS 
                for p in parent_chain 
                if isinstance(p, Tag)
            )

            text = str(element).strip()
            if not text:
                continue

            segments.append({
                'text': text,
                'translatable': not is_protected,
                'context': element.parent.name if element.parent else 'root'
            })
    return segments

# 执行提取并断言预期行为
results = extract_translatable_segments(HTML_SAMPLE)
translatable_texts = [s['text'] for s in results if s['translatable']]
protected_texts = [s['text'] for s in results if not s['translatable']]

# 验证：普通文本应被标记为可翻译
assert any('查看状态' in t for t in translatable_texts), "普通文本未被识别"
# 验证：代码内容不应出现在可翻译列表中
assert not any('kubectl' in t for t in translatable_texts), "内联代码泄露至翻译区"
assert not any('print' in t for t in translatable_texts), "代码块内容泄露至翻译区"
# 验证：受保护内容被正确归类
assert any('kubectl' in t for t in protected_texts), "内联代码未被保护"

print(f"可翻译片段数: {len(translatable_texts)}")
print(f"受保护片段数: {len(protected_texts)}")

இந்த குறியீட்டின் திறவுகோல் element.parents க்கான சங்கிலி சரிபார்ப்பு ஆகும். <p> க்குள் <code> உள்ளமைக்கப்பட்டிருந்தாலும், அதன் உள்ளே உள்ள உரை முனைகள் மொழிபெயர்க்க முடியாதவை என சரியாகக் குறிக்கப்படும். இது பிரித்தெடுத்தல் மற்றும் சரிபார்ப்புக்கான ஒரு புற ஆர்ப்பாட்டம் மட்டுமே, முழுமையான மொழிபெயர்ப்பு மாற்று அமைப்பு அல்ல என்பதை கவனத்தில் கொள்ள வேண்டும். உண்மையான உற்பத்தியில், ஒதுக்கிட பின் நிரப்புதல் மற்றும் பண்புக்கூறு பாதுகாப்பு ஆகியவையும் செயலாக்கப்பட வேண்டும்.

ஏற்றுக்கொள்ளும் அளவுகோல்கள் மற்றும் கைமுறை மதிப்பாய்வு எல்லைகள்

குறியீடு பாதுகாப்பை "பிழைகள் இல்லாமல் இயங்குதல்" மூலம் மட்டும் தீர்மானிக்க முடியாது. பின்வரும் அட்டவணையானது டெலிவரிக்கு முன் செய்ய வேண்டிய ஏற்றுக்கொள்ளும் செயல்களையும், தானியங்கு ஸ்கிரிப்ட்களால் மறைக்க முடியாத மற்றும் கைமுறையாக மதிப்பாய்வு தேவைப்படும் காட்சிகளையும் பட்டியலிடுகிறது.

பொருந்தாது: மேலே உள்ள தானியங்கு சரிபார்ப்பு நன்கு கட்டமைக்கப்பட்ட, சொற்பொருள் HTML க்கு மட்டுமே பொருந்தும். மார்க் டவுன் ரெண்டரிங் மூலம் உருவாக்கப்பட்ட தூய <div> + <span> குறியீடு தொகுதிகளுக்கு, சொற்பொருள் குறிச்சொற்கள் இல்லாத அல்லது HTML இன் தெளிவற்ற மற்றும் சுருக்கப்பட்ட ஒற்றை வரிகளுக்கு, பாகுபடுத்தி குறியீடு எல்லைகளை சரியாக அடையாளம் காண முடியாது. அத்தகைய ஆவணங்களை முதலில் வடிவமைத்து சுத்தம் செய்ய வேண்டும் அல்லது நேரடியாக கைமுறை செயலாக்கத்திற்கு ஒப்படைக்க வேண்டும். கூடுதலாக, இந்த சரிபார்ப்பு "குறியீடு மொழிபெயர்க்கப்படாது" என்பதற்கு மட்டுமே உத்தரவாதம் அளிக்கிறது மற்றும் மொழிபெயர்ப்பின் இயல்பான மொழித் தரத்திற்கு உத்தரவாதம் அளிக்காது.

உண்மையான ஆவணத்தில் சரிபார்ப்புப் பட்டியலைப் பயன்படுத்தவும்

வலை ஆவணங்களின் உரை, இணைப்புகள், குறியீடு மற்றும் அமைப்பு ஆகியவை தனித்தனியாக செயலாக்கப்பட வேண்டும். ஏற்றுக்கொள்ளும் பட்டியலில் பாதுகாக்கப்பட்ட பகுதிகளைச் சேர்த்து, மொழிபெயர்ப்பிற்குப் பிறகு வாசிப்புத்திறன் மற்றும் பக்கக் காட்சி விளைவை மதிப்பீடு செய்யவும்.

OmniDoc (தயாரிப்பு போர்டல்) பல வடிவ ஆவண மொழிபெயர்ப்பு போர்ட்டலை வழங்குகிறது, மேலும் அதிகாரப்பூர்வ இணையதளம் OCR, சொற்களஞ்சியம் மற்றும் இருமொழி ஒப்பீட்டு செயல்பாடுகளை அறிமுகப்படுத்துகிறது. கோப்புகளில் இருந்து நேரடியாக வேலை செய்யத் தொடங்கும் குழுக்களுக்கு, இது நிஜ வாழ்க்கை மாதிரிகள் மூலம் மதிப்பீடு செய்ய வேண்டிய பாதையாகும். பதிவேற்றம் செய்ய உங்களுக்கு அனுமதி உள்ள டீசென்சிடைஸ் செய்யப்பட்ட கோப்புகளைப் பயன்படுத்தவும், மேலும் முடிவுகளை மதிப்பாய்வு செய்ய இந்தக் கட்டுரையில் உள்ள சரிபார்ப்பு உருப்படிகளைப் பயன்படுத்தவும். OmniDoc இந்த கட்டுரையில் குறிப்பிடப்பட்டுள்ள திறந்த மூல நூலகங்கள் அல்லது உள் அல்காரிதம்களைப் பயன்படுத்துகிறது அல்லது தயாரிப்பு செயல்திறன் சோதனைக்கு பதிலாக உதாரணம் இல்லை.

📊 முக்கிய ஒப்பீடு

🎯 எந்த முறை உங்களுக்கு ஏற்றது?

நீங்கள் என்றால்....

• ஆவணத்தில் நிறைய குறியீடுகள் மற்றும் கட்டளைகள் உள்ளன: குறியீடு முனைகளை அடையாளம் காண, முதலில் அவற்றைப் பாதுகாத்து, பின்னர் அவற்றை மொழிபெயர்க்க, சொற்பொருள் குறிச்சொற்களைப் பயன்படுத்துவதற்கு முன்னுரிமை கொடுங்கள்.
• குறியீடு தொகுதி அமைப்பு சிக்கலானது மற்றும் ஆழமாக உள்ளமைக்கப்பட்டுள்ளது: get_text() அல்லது சுழல்நிலை பயணத்தைப் பயன்படுத்தவும், .string ஐ மட்டும் படிக்க வேண்டாம்.
• பக்கம் தனிப்பயன் குறியீடு கொள்கலனைப் பயன்படுத்துகிறது: வகுப்பிற்கான அனுமதிப்பட்டியலை நிறுவி, ஏற்றுக்கொள்ளும் போது வெற்றி விகிதத்தைச் சரிபார்க்கவும்.
• அதிகாரப்பூர்வ விநியோகத்திற்குத் தயாராகுங்கள்: ஒரே நேரத்தில் தானியங்கி சரிபார்ப்பு மற்றும் கைமுறை மதிப்பாய்வு செய்யவும். ஸ்கிரிப்ட் வெற்றிகரமாக ஓடுகிறதா என்று மட்டும் பார்க்க வேண்டாம்.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. நான் ஏன் குறியீட்டை வழக்கமான வெளிப்பாடுகளுடன் மாற்ற முடியாது?

HTML என்பது உள்ளமைக்கப்பட்ட மர அமைப்பாகும், மேலும் <code>, <span> மற்றும் <a> ஆகியவற்றுக்கு இடையே உள்ள உள்ளமை உறவைப் புரிந்துகொள்வது வழக்கமான வெளிப்பாடுகளுக்கு கடினமாக உள்ளது, இது லேபிள் மூடும் பிழைகள் அல்லது விடுபட்ட எல்லைகளை எளிதில் ஏற்படுத்தும்.

2. குறியீடு தொகுதிகளில் உள்ள கருத்துகள் மொழிபெயர்க்கப்பட வேண்டுமா?

குறியீட்டுத் தொகுதிகளுக்குள் உள்ள கருத்துகள் தவிர்க்கப்பட்டதா என்பதைச் சரிபார்க்க ஏற்றுக்கொள்ளும் படிவம் பரிந்துரைக்கிறது. கருத்துகளில் முக்கியமான வணிக தர்க்க விளக்கங்கள் இருந்தால், அவை தனித்தனியாக பிரித்தெடுக்கப்பட்டு பின்னர் மொழிபெயர்க்கப்பட வேண்டும்.

3. ஸ்கிரிப்டை இயக்கும் போது பிழை இல்லை என்றால், குறியீடு பாதுகாப்பில் எந்த பிரச்சனையும் இல்லை என்று அர்த்தமா?

முடியாது. DOM கட்டமைப்பை ஒப்பிட்டுப் பார்ப்பது, முக்கிய பண்புக்கூறுகள் மாறிவிட்டனவா என்பதைச் சரிபார்ப்பது, ப்ளேஸ்ஹோல்டர்களின் எண்ணிக்கையைச் சரிபார்ப்பது மற்றும் கைமுறை மதிப்பாய்வை நடத்துவதும் அவசியம்.

4. இந்த முறை அனைத்து ஆவணங்களுக்கும் பொருந்துமா?

இல்லை. மார்க் டவுன் ரெண்டரிங் அல்லது சுருக்கப்பட்ட ஒற்றை-வரி HTML மூலம் உருவாக்கப்பட்ட சுத்தமான div + span குறியீடு தொகுதிகளுக்கு, பாகுபடுத்தி குறியீடு எல்லைகளை சரியாக அடையாளம் காண முடியாமல் போகலாம், மேலும் முதலில் வடிவமைக்கப்பட வேண்டும் அல்லது கைமுறை செயலாக்கத்திற்கு ஒப்படைக்க வேண்டும்.

📝 சுருக்கம்

தொழில்நுட்ப ஆவண மொழிபெயர்ப்புக்கான திறவுகோல், மொழிபெயர்ப்பிற்கு முன் குறியீட்டையும் இயற்கை மொழியையும் பிரிக்க DOM ட்ரீயைப் பயன்படுத்துவதும், முடிவுகளைச் சரிபார்க்க ஏற்பு சரிபார்ப்புப் பட்டியலைப் பயன்படுத்துவதும் ஆகும். செயற்கை மாதிரிகளின் விதிகளை முதலில் சரிபார்த்து, பின்னர் உணர்திறன் இல்லாத உண்மையான ஆவணங்களைக் கொண்டு இருமுறை சரிபார்க்கவும்.

இப்போது முயற்சிக்கவும்: அசல் தளவமைப்பைத் தக்கவைத்து, மொழிபெயர்ப்பைத் தொடங்க ஆவணத்தைப் பதிவேற்றவும்