Leon/docutranslate
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

优化docxtranslator

Browse Source
This commit is contained in:
xunbu
2025-08-05 14:22:32 +08:00
parent 5dc18df585
commit 233be8ec13
4 changed files with 174 additions and 83 deletions
Download Patch File Download Diff File Expand all files Collapse all files

120
docutranslate/translator/ai_translator/docx_translator.py
View File

@@ -1,11 +1,15 @@
import asyncio
from dataclasses import dataclass
from dataclasses import dataclass, field
from io import BytesIO
from typing import Self, Literal, List, Dict, Any, Tuple
import docx
from docx.document import Document as DocumentObject
from docx.table import _Cell
from docx.oxml.ns import nsdecls
from docx.oxml import OxmlElement
from docx.table import _Cell, Table
from docx.text.paragraph import Paragraph
from docx.text.run import Run
from docutranslate.agents.segments_agent import SegmentsTranslateAgentConfig, SegmentsTranslateAgent
from docutranslate.ir.document import Document
@@ -13,6 +17,12 @@ from docutranslate.translator.ai_translator.base import AiTranslatorConfig
from docutranslate.translator.base import Translator
def is_image_run(run: Run) -> bool:
"""检查一个 run 是否包含图片。"""
# w:drawing 是嵌入式图片的标志, w:pict 是 VML 图片的标志
return '<w:drawing' in run.element.xml or '<w:pict' in run.element.xml
@dataclass
class DocxTranslatorConfig(AiTranslatorConfig):
"""
@@ -25,6 +35,7 @@ class DocxTranslatorConfig(AiTranslatorConfig):
class DocxTranslator(Translator):
"""
用于翻译 .docx 文件的翻译器。
此版本经过优化，可以处理图文混排的段落而不会丢失图片。
"""
def __init__(self, config: DocxTranslatorConfig):
@@ -49,74 +60,90 @@ class DocxTranslator(Translator):
def _pre_translate(self, document: Document) -> Tuple[DocumentObject, List[Dict[str, Any]], List[str]]:
"""
预处理 .docx 文件，提取所有需要翻译的文本。
[已重构] 预处理 .docx 文件，在 Run 级别上提取文本，以避免破坏图片。
:param document: 包含 .docx 文件内容的 Document 对象。
:return: 一个元组，包含：
- docx.Document 对象
- 一个包含文本元素信息的列表 (e.g., paragraph, cell)
- 一个包含文本块信息的列表 (每个元素代表一组连续的文本 run)
- 一个包含所有待翻译原文的列表
"""
doc = docx.Document(BytesIO(document.content))
elements_to_translate = []
original_texts = []
def process_paragraph(para: Paragraph):
nonlocal elements_to_translate, original_texts
current_text_segment = ""
current_runs = []
for run in para.runs:
if is_image_run(run):
# 遇到图片，将之前累积的文本作为一个翻译单元
if current_text_segment.strip():
elements_to_translate.append({"type": "text_runs", "runs": current_runs})
original_texts.append(current_text_segment)
# 重置累加器
current_text_segment = ""
current_runs = []
else:
# 累积文本 run
current_runs.append(run)
current_text_segment += run.text
# 处理段落末尾的最后一个文本块
if current_text_segment.strip():
elements_to_translate.append({"type": "text_runs", "runs": current_runs})
original_texts.append(current_text_segment)
# 遍历所有段落
for para in doc.paragraphs:
if para.text.strip(): # 确保段落有实际内容
elements_to_translate.append({"type": "paragraph", "element": para})
original_texts.append(para.text)
process_paragraph(para)
# 遍历所有表格
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
if cell.text.strip(): # 确保单元格有实际内容
elements_to_translate.append({"type": "cell", "element": cell})
original_texts.append(cell.text)
for para in cell.paragraphs:
process_paragraph(para)
return doc, elements_to_translate, original_texts
def _after_translate(self, doc: DocumentObject, elements_to_translate: List[Dict[str, Any]],
translated_texts: List[str], original_texts: List[str]) -> bytes:
"""
将翻译后的文本写回到 .docx 对象中。
:param doc: docx.Document 对象。
:param elements_to_translate: 包含文本元素信息的列表。
:param translated_texts: 翻译后的文本列表。
:param original_texts: 原始文本列表。
:return: 更新后的 .docx 文件内容的字节流。
[已重构] 将翻译后的文本写回到对应的 text runs 中，保留图片和样式。
"""
translation_map = dict(zip(original_texts, translated_texts))
for i, element_info in enumerate(elements_to_translate):
element = element_info["element"]
runs = element_info["runs"]
original_text = original_texts[i]
translated_text = translated_texts[i]
# 清空原有内容并写入新内容
if isinstance(element, docx.text.paragraph.Paragraph):
# 清空段落内容
element.clear()
# 根据插入模式添加文本
if self.insert_mode == "replace":
element.add_run(translated_text)
elif self.insert_mode == "append":
element.add_run(original_text + self.separator + translated_text)
elif self.insert_mode == "prepend":
element.add_run(translated_text + self.separator + original_text)
else:
self.logger.error("不正确的DocxTranslatorConfig参数")
# 根据插入模式确定最终文本
if self.insert_mode == "replace":
final_text = translated_text
elif self.insert_mode == "append":
final_text = original_text + self.separator + translated_text
elif self.insert_mode == "prepend":
final_text = translated_text + self.separator + original_text
else:
self.logger.error("不正确的DocxTranslatorConfig参数")
final_text = translated_text
elif isinstance(element, _Cell):
# 根据插入模式设置单元格文本
if self.insert_mode == "replace":
element.text = translated_text
elif self.insert_mode == "append":
element.text = original_text + self.separator + translated_text
elif self.insert_mode == "prepend":
element.text = translated_text + self.separator + original_text
else:
self.logger.error("不正确的DocxTranslatorConfig参数")
if not runs:
continue
# --- 这是修改的核心部分 ---
# 1. 将完整的翻译文本写入第一个 run
first_run = runs[0]
first_run.text = final_text
# 2. 清空该文本块中其余 run 的内容，但保留 run 本身及其格式
# 这可以防止重复文本，同时保留文档结构
for run in runs[1:]:
run.text = ""
# --- 修改结束 ---
# 将修改后的文档保存到 BytesIO 流
doc_output_stream = BytesIO()
@@ -128,8 +155,9 @@ class DocxTranslator(Translator):
同步翻译 .docx 文件。
"""
doc, elements_to_translate, original_texts = self._pre_translate(document)
if not elements_to_translate:
if not original_texts:
print("\n文件中没有找到需要翻译的文本内容。")
document.content = doc.save(BytesIO()).getvalue() # 返回原文件
return self
# 调用翻译 agent
@@ -144,8 +172,12 @@ class DocxTranslator(Translator):
异步翻译 .docx 文件。
"""
doc, elements_to_translate, original_texts = await asyncio.to_thread(self._pre_translate, document)
if not elements_to_translate:
if not original_texts:
print("\n文件中没有找到需要翻译的文本内容。")
# 在异步环境中正确保存和返回
output_stream = BytesIO()
doc.save(output_stream)
document.content = output_stream.getvalue()
return self
# 异步调用翻译 agent