From 5dc2323f602508ec2067a78470571151ae8035d1 Mon Sep 17 00:00:00 2001 From: xunbu Date: Sun, 19 Oct 2025 14:44:28 +0800 Subject: [PATCH] =?UTF-8?q?=E4=BC=98=E5=8C=96docx=E7=BF=BB=E8=AF=91?= =?UTF-8?q?=E6=95=88=E6=9E=9C?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../ai_translator/docx_translator.py | 73 +++++++++++++------ 1 file changed, 50 insertions(+), 23 deletions(-) diff --git a/docutranslate/translator/ai_translator/docx_translator.py b/docutranslate/translator/ai_translator/docx_translator.py index b8db153..8b77cf8 100644 --- a/docutranslate/translator/ai_translator/docx_translator.py +++ b/docutranslate/translator/ai_translator/docx_translator.py @@ -19,7 +19,6 @@ from docutranslate.agents.segments_agent import SegmentsTranslateAgentConfig, Se from docutranslate.ir.document import Document from docutranslate.translator.ai_translator.base import AiTranslatorConfig, AiTranslator - # ---------------- 辅助函数 ---------------- # [v6.2] 定义一组具有显著视觉效果的格式标签。 @@ -51,22 +50,10 @@ def is_formatting_only_run(run: Run) -> bool: return run.text == "" -def is_styled_whitespace_run(run: Run) -> bool: - """ - [v6.2] 检查一个 Run 是否只包含空白字符，但应用了应保留的“显著”格式。 - 这些 Run 应被视为翻译段的边界并保持不变。 - """ - if not (run.text and run.text.isspace()): - return False +# ---------- 新增修改部分 1: is_styled_whitespace_run 函数被移除 ---------- +# 此函数不再需要，因为新的逻辑会根据格式变化来切分，而不是根据带格式的空格。 +# ---------------------- 修改结束 ---------------------- - rPr = run.element.rPr - if rPr is None: - return False - - # 仅当 Run 的属性中包含我们定义的“显著”样式之一时，才返回 True。 - return any(child.tag in SIGNIFICANT_STYLES for child in rPr) - -# ---------- 新增修改部分 1: 增加 is_tab_run 辅助函数 ---------- def is_tab_run(run: Run) -> bool: """ 检查一个 Run 是否主要代表一个制表符，应被视作格式边界。 @@ -80,7 +67,6 @@ def is_tab_run(run: Run) -> bool: xml = getattr(run.element, 'xml', '') return ' frozenset: + """从一个 Run 中提取“显著”格式标签的集合。""" + if run is None: + return frozenset() + rPr = run.element.rPr + if rPr is None: + return frozenset() + return frozenset(child.tag for child in rPr if child.tag in SIGNIFICANT_STYLES) + + def _have_same_significant_styles(self, run1: Run, run2: Run) -> bool: + """检查两个 Run 是否具有相同的“显著”格式集合。""" + styles1 = self._get_significant_styles(run1) + styles2 = self._get_significant_styles(run2) + return styles1 == styles2 + + # ---------------------- 修改结束 ---------------------- + def _process_element_children(self, element, elements: List[Dict[str, Any]], texts: List[str], state: Dict[str, Any]): @@ -155,6 +165,7 @@ class DocxTranslator(AiTranslator): if child.tag in self.RECURSIVE_CONTAINER_TAGS: flush_segment() self._process_element_children(child, elements, texts, state) + flush_segment() # 在递归容器后也刷新，确保其内容成为独立片段 continue field_char_element = child.find(qn('w:fldChar')) if isinstance(child, CT_R) else None @@ -166,15 +177,26 @@ class DocxTranslator(AiTranslator): if isinstance(child, CT_R): run = Run(child, None) - # ---------- 新增修改部分 2: 在判断条件中加入 is_tab_run ---------- - # [v6.2] 使用更精确的检查来识别作为边界的 Run。 - # 新增 is_tab_run() 检查，将包含制表符的 Run 也视为边界。 - if is_image_run(run) or is_formatting_only_run(run) or is_styled_whitespace_run(run) or is_tab_run(run): + + # ---------- 新增修改部分 3: 重构核心切分逻辑 ---------- + # 步骤 1: 检查绝对边界（图片、制表符等），它们总是会结束当前的片段。 + if is_image_run(run) or is_formatting_only_run(run) or is_tab_run(run): flush_segment() - else: - state['current_runs'].append(run) + continue # 这些 Run 本身不包含在任何文本片段中 + + # 步骤 2: 基于格式变化进行切分。 + last_run_in_segment = state['current_runs'][-1] if state['current_runs'] else None + + # 如果这是一个新片段的第一个Run，或者它的格式与上一个Run相同，则继续合并。 + # 只有当格式发生变化时，才刷新（切分）之前的片段。 + if last_run_in_segment and not self._have_same_significant_styles(last_run_in_segment, run): + flush_segment() + + # 将当前 Run 添加到片段中 + state['current_runs'].append(run) # ---------------------- 修改结束 ---------------------- else: + # 遇到任何非 Run 的块级元素（如在单元格中嵌套的表格），都应结束当前文本片段。 flush_segment() def _process_paragraph(self, para: Paragraph, elements: List[Dict[str, Any]], texts: List[str]): @@ -186,6 +208,7 @@ class DocxTranslator(AiTranslator): } self._process_element_children(para._p, elements, texts, state) + # 确保在段落处理结束时，刷新所有剩余的 Run current_runs = state['current_runs'] if current_runs: full_text = "".join(r.text for r in current_runs) @@ -259,16 +282,19 @@ class DocxTranslator(AiTranslator): if not runs: return first_real_run_index = -1 + # 找到第一个可以写入文本的run for i, run in enumerate(runs): if run.element.getparent() is not None: run.text = final_text first_real_run_index = i break + # 如果没有找到有效的run（例如，它们都已被删除），则记录警告 if first_real_run_index == -1: self.logger.warning(f"无法应用翻译 '{final_text}'，因为找不到有效的run。") return + # 删除所有后续的run，因为它们的文本已经被合并到第一个run中了 for i in range(first_real_run_index + 1, len(runs)): run = runs[i] parent_element = run.element.getparent() @@ -276,6 +302,7 @@ class DocxTranslator(AiTranslator): try: parent_element.remove(run.element) except ValueError: + # 在某些复杂情况下，一个run可能已经被其父元素隐式删除 self.logger.debug(f"尝试删除一个不存在的run元素。这通常是安全的。") pass