Після перекладу китайської статті англійською просто змінити текст недостатньо: атрибут lang також потрібно змінити відповідним чином.

Після перекладу китайського HTML на англійську мову недостатньо просто замінити основний текст. Атрибут lang і розмітку місцевої мови також потрібно змінити одночасно, інакше браузери та програмне забезпечення для зчитування екрана оброблятимуть вміст не тією мовою. Ця стаття призначена для редакторів і розробників, яким потрібно мати справу з перекладом веб-документів і які стурбовані доступністю та семантичною структурою. Після прочитання ви можете визначити, який lang потрібно змінити, а який слід зберегти, і використати Beautiful Soup для статичної перевірки.

У демонстраціях у цій статті використовуються синтетичні зразки. Код був перевірений за зразком в ізольованому середовищі, але це не є гарантією всіх реальних файлів або продуктивності продукту. Перед обробкою важливих документів збережіть оригінали та перегляньте їх відповідно до меж і пунктів прийняття в тексті.

Як перекласти китайський HTML на англійську, як змінити атрибут lang? Висновок одним реченням

Після перекладу вам потрібно змінити lang кореневого вузла на цільову мову та перевірити, чи кожен тег локальної мови відповідає фактичному тексту.

Чому атрибут lang не можна замінити глобально?

Інтуїтивно зрозумілий підхід полягає у використанні регулярних виразів або операцій DOM для зміни <html lang="zh-CN"> кореневого вузла на <html lang="en"> після завершення перекладу. Це добре працює для одномовних сторінок, але робочі документи HTML часто містять багатомовні фрагменти. Наприклад, англійський технічний блог може цитувати оригінальний текст стародавньої китайської книги або вставляти неперекладені власні іменники, коментарі до коду та коментарі користувачів. Ці локальні області зазвичай явно оголошуються в мові через <span lang="zh-CN"> або <blockquote lang="zh">.

Якби всі атрибути lang були сліпо перевизначені, ці фрагменти, що зберігають текст, втратили б правильний мовний контекст. І навпаки, якщо змінюється лише кореневий вузол, а дочірні вузли ігноруються, і дочірні вузли успадковують старе значення zh-CN, перекладений англійський абзац усе одно буде розпізнано як китайський.

Правильна логіка: «спадкування зверху вниз + локальна перевірка покриття»: підтвердьте, що фактична мова кожного текстового вузла узгоджується зі значенням lang його найближчого предкового вузла. Це не простий пошук і заміна, а обхідна перевірка семантичного стану дерева DOM.

Мовні теги є частиною структури документа

• Мовні теги впливають на індексацію пошукової системи, селектори псевдокласів CSS (наприклад, :lang(en)) і перевірку орфографії
• Це не декоративні метадані, і їх потрібно перенести разом із вмістом

Приклад синтезу: правильний вихід і крайові випадки

Нижче використовується типовий змішаний мовний HTML як вхідний зразок.

Зразок синтетичного введення:

<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>

Припустимо, мета полягає в тому, щоб перекласти цей документ англійською мовою, зберігаючи оригінальний китайський текст цитат.

Очікуваний правильний результат:

• Кореневий вузол стає lang="en"
• Заголовки та основні абзаци успадковують мову кореневого вузла без додаткової розмітки
• <span> всередині контейнера цитат залишається незмінним lang="zh-CN"
• Нижній колонтитул успадковує англійську мову, якщо немає спеціальних мовних вимог.

Перекладений англійський абзац не може містити атрибут lang, що вказує на китайську мову, а збережений китайський фрагмент має бути явно оголошено, щоб запобігти його неправильному читанню як англійському.

Поширені помилки та крайні випадки

1. Порожній рядок або недійсне значення: lang="" або lang="chinese" (стандарт не BCP47) існує у вихідному файлі. Метод обробки полягає в тому, щоб позначити його як виняток і вручну заповнити як zh-CN або en-US відповідно до контексту або очистити перед перекладом.
2. Динамічно згенерований мовний тег: деякі CMS вводять атрибут lang під час виконання, якого немає в статичному HTML. Сценарій може перевіряти лише статичний вихідний код, а «динамічний вміст потрібно тестувати окремо» під час прийняття.
3. Конфлікт вкладеності: <div lang="en"><p lang="zh-CN">已翻译为英文的内容</p></div> є типовою невідповідністю між вмістом і розміткою. Валідатор повинен повідомляти про такі конфлікти, а не автоматично виправляти їх, оскільки немає способу визначити, чи вміст перекладено неправильно, чи розмітка написана неправильно.

📊 Основне порівняння

Створіть засіб перевірки узгодженості мови за допомогою Beautiful Soup

У наступному прикладі Python показано, як аналізувати HTML і виявляти ризик невідповідності між мовною розміткою та вмістом. Це лише демонстрація периферійної логіки перевірки, а не повна система забезпечення якості перекладу.

Примітка. Цей приклад призначений для навчання, його не запускали й не перевіряли в реальному робочому середовищі. Будь ласка, не використовуйте його безпосередньо для перевірки якості онлайн.

# 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.")

Сценарій використовує Beautiful Soup для аналізу HTML у дерево об’єктів, а потім знаходить усі точки оголошення мови через find_all(attrs={'lang': True}). Він не виконує переклад, лише статичний аналіз. Оператор твердження перевіряє, що функція розпізнає два типові типи проблем. Слід зазначити, що це лише евристична перевірка на основі набору символів і не може замінити лінгвістичний огляд.

Критерії прийняття та межі перевірки вручну

Автоматизована перевірка може виявляти структурні помилки, але не може зрозуміти контекст. У наведеній нижче таблиці вказано різницю між тим, що може виявити код, і тим, що потрібно переглянути вручну:

Явні неприйнятні сценарії:

• Ця логіка перевірки не застосовується до неструктурованих документів, таких як PDF, Word тощо.
• Недоступно для односторінкових програм, повністю відтворених за допомогою JavaScript (крім SSR)
• Не може використовуватися окремо як критерій для оцінки якості машинного перекладу

Коли у формі зустрічається елемент, який «вимагає перевірки вручну», автоматизований процес слід призупинити та втрутитися редактор, знайомий із двомовністю.

🎯 Який спосіб вам підходить?

якщо ви...

• Лише одномовні сторінки: заміна кореневого вузла можлива, але все одно потрібно перевірити, чи дочірні вузли успадковують старе значення.
• Сторінка зберігає китайські цитати або власні іменники: додайте явне твердження lang до цих фрагментів.
• Вміст, динамічно створений за допомогою CMS або JavaScript: додайте мовну розмітку до сфери зовнішнього тестування E2E.
• Обробка файлів PDF або Word: логіка перевірки HTML, описана в цій статті, не застосовується, і вам потрібно використовувати метод перевірки відповідного формату.

❓ Часті запитання (FAQ)

1. Чи достатньо лише змінити атрибут lang кореневого вузла?

недостатньо. Якщо дочірній вузол успадковує старе значення zh-CN, перекладений англійський абзац усе одно буде розпізнано як китайський. Кожен текстовий вузол слід перевіряти на узгодженість у мові найближчого вузла-предка.

2. Як поводитися з китайськими цитатами, що зберігаються на сторінці?

Явно оголошуйте це за допомогою <span lang="zh-CN"> або <blockquote lang="zh"> тощо. Це запобігає неправильному читанню китайських фрагментів як англійських.

3. Чи можна зберегти lang="" або lang="chinese" безпосередньо?

Не рекомендується. Ці значення не відповідають стандарту BCP47. Його слід позначити як виняток, вручну заповнити дійсними тегами, наприклад zh-CN або en-US відповідно до контексту, або очистити перед перекладом.

4. Чи може скрипт перевіряти динамічно згенеровані мовні теги з JavaScript?

не можна. Сценарій перевіряє лише статичний вихідний код. Динамічно введений вміст потрібно тестувати окремо та включати його в тестування зовнішнього E2E.

📝 Підсумок

Під час перекладу HTML мовні теги та основний текст слід переносити разом. Спочатку перевірте кореневий вузол, потім поелементно перевірте декларації місцевої мови і, нарешті, скористайтеся переглядом вручну, щоб заповнити частини, які сценарій не може визначити.

Спробуйте зараз: завантажте документ, щоб розпочати переклад, зберігаючи вихідний макет

Посилання

• Офіційна документація Beautiful Soup - Атрибути: https://www.crummy.com/software/BeautifulSoup/bs4/doc/#attributes

Використовуйте цей контрольний список для перекладу документа

Текст, посилання, код і структура веб-документів повинні оброблятися окремо. Додайте частини, які потребують захисту, до списку прийняття, а потім оцініть читабельність і ефект відображення сторінки після перекладу.

OmniDoc (портал продуктів) надає портал для багатоформатного перекладу документів. На офіційному веб-сайті представлені такі функції, як OCR, глосарій і двомовне порівняння. Якщо ваша команда хоче почати обробку безпосередньо з файлу, ви можете оцінити цей шлях за допомогою реальних зразків. Будь ласка, використовуйте десенсибілізовані файли, на завантаження яких у вас є дозвіл, і скористайтеся прапорцями в цій статті, щоб переглянути результати. У цій статті не розглядається внутрішня реалізація OmniDoc, і наведені приклади не замінюють тестування продуктивності продукту.