支持表格翻译

docutranslate/translator/ai_translator/epub_translator.py

@@ -10,7 +10,7 @@ from dataclasses import dataclass
 from io import BytesIO
 from typing import Self, Literal, List, Dict, Any, Tuple
 
-from bs4 import BeautifulSoup, Tag
+from bs4 import BeautifulSoup, Tag, NavigableString
 
 from docutranslate.agents.segments_agent import SegmentsTranslateAgentConfig, SegmentsTranslateAgent
 from docutranslate.ir.document import Document
@@ -27,7 +27,7 @@ class EpubTranslatorConfig(AiTranslatorConfig):
 class EpubTranslator(AiTranslator):
     """
     一个用于翻译 EPUB 文件中内容的翻译器。
-    【高级版】此版本直接翻译HTML内容，以保留内联格式。
+    【高级版】此版本直接翻译HTML内容，以保留内联格式，并支持表格翻译。
     """
 
     def __init__(self, config: EpubTranslatorConfig):
@@ -55,10 +55,10 @@ class EpubTranslator(AiTranslator):
         self.separator = config.separator
 
     def _pre_translate(self, document: Document) -> tuple[
-        Dict[str, bytes],  # all_files: 原始文件内容
-        Dict[str, BeautifulSoup],  # soups: 解析后的HTML对象
-        List[Dict[str, Any]],  # items_to_translate: 待翻译项
-        List[str]  # original_texts: 原始HTML片段
+        Dict[str, bytes],
+        Dict[str, BeautifulSoup],
+        List[Dict[str, Any]],
+        List[str]
     ]:
         all_files = {}
         soups = {}
@@ -90,8 +90,8 @@ class EpubTranslator(AiTranslator):
             full_href = os.path.join(opf_dir, href).replace('\\', '/')
             manifest_items[item_id] = {'href': full_href, 'media_type': item.get('media-type')}
 
-        TAGS_TO_TRANSLATE = ['p', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'li', 'div']
-
+        # ==================== 代码修改 1: 添加表格相关的标签 ====================
+        TAGS_TO_TRANSLATE = ['p', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'li', 'div', 'td', 'th']
         # 定义一个正则表达式，用于按 <br> 和 <img> 标签分割内容
         split_pattern = re.compile(r'(<br\s*/?>|<img[^>]*>)', re.IGNORECASE)
 
@@ -109,18 +109,12 @@ class EpubTranslator(AiTranslator):
 
                 soup = soups[file_path]
 
-                # ==================== 关键代码修改 ====================
-                # 采用“Bottom-Up”逻辑：只选择不包含其他可翻译块级标签的“叶子”标签。
-                # 这种方法能准确地选取段落，并自动忽略像 <div class="calibre1"> 这样的父容器。
-
-                # 1. 找到所有可能的翻译标签
                 all_potential_tags = soup.find_all(TAGS_TO_TRANSLATE)
-                all_potential_tags_set = set(all_potential_tags)  # 用于快速查找
+                all_potential_tags_set = set(all_potential_tags)
 
                 tags_to_process = []
                 for tag in all_potential_tags:
-                    # 2. 检查当前标签内部是否还包含其他需要翻译的标签
-                    #    如果没有，说明它是一个“叶子”节点，是我们要找的翻译单元。
+                    # 采用“Bottom-Up”逻辑，只选择不包含其他可翻译块级标签的“叶子”标签。
                     contains_other_block = tag.find(
                         lambda child_tag: child_tag in all_potential_tags_set and child_tag is not tag
                     )
@@ -133,34 +127,50 @@ class EpubTranslator(AiTranslator):
                     if not inner_html or inner_html.isspace():
                         continue
 
-                    # 使用正则表达式分割内容，同时保留 <br> 和 <img> 标签
+                    # ==================== 代码修改 2: 增加对表格标签的特殊处理 ====================
+                    # 对于表格单元格（td, th），我们希望直接翻译其内容，并替换。
+                    # 这样做可以避免在单元格内部错误地插入 <br> 导致表格布局破坏。
+                    # 其他标签（如 p, div）则可以继续使用分割逻辑，以支持段内换行。
+                    is_table_cell = tag.name in ['td', 'th']
+                    # ==================== 修改结束 ====================
+
                     html_parts = split_pattern.split(inner_html)
 
-                    is_split = len(html_parts) > 1
+                    # 如果不是表格单元格，且存在 <br> 或 <img>，则按片段处理
+                    is_split = len(html_parts) > 1 and not is_table_cell
 
+                    if is_split:
+                        # 逻辑保持不变：处理被 <br> 或 <img> 分割的段落
                         for part in html_parts:
                             part_stripped = part.strip()
                             if not part_stripped:
                                 continue
 
-                        # 判断当前部分是否是 <br> 或 <img> 分隔符标签
                             is_separator_tag = split_pattern.fullmatch(part_stripped)
-
-                        # ==================== 关键代码修改 ====================
-                        # 检查片段是否包含实际可翻译的文本内容，而不仅仅是空白、&nbsp;或空的HTML标签
                             plain_text = BeautifulSoup(part, 'html.parser').get_text(strip=True)
 
-                        # 我们只翻译那些不是分隔符标签（如<br>, <img>）且含有实际文本内容的片段
                             if not is_separator_tag and plain_text:
                                 item_info = {
                                     "file_path": file_path,
                                     "tag": tag,
                                     "original_html": part,
-                                "original_full_html": inner_html if is_split else None
+                                    "original_full_html": inner_html,
+                                    "is_split": True
                                 }
                                 items_to_translate.append(item_info)
                                 original_texts.append(part)
-                        # ==================== 修改结束 ====================
+                    else:
+                        # 对于完整的标签内容（或表格单元格），我们整体处理
+                        plain_text = tag.get_text(strip=True)
+                        if plain_text:
+                            item_info = {
+                                "file_path": file_path,
+                                "tag": tag,
+                                "original_html": inner_html,
+                                "is_split": False
+                            }
+                            items_to_translate.append(item_info)
+                            original_texts.append(inner_html)
 
         return all_files, soups, items_to_translate, original_texts
 
@@ -172,50 +182,85 @@ class EpubTranslator(AiTranslator):
             translated_texts: List[str],
             original_texts: List[str],
     ) -> bytes:
-        tag_reconstruction_map = defaultdict(lambda: {'new_html': None, 'chunks': []})
+
+        # ==================== 代码修改 3: 重构 _after_translate 逻辑 ====================
+        # 使用一个更清晰的 defaultdict 来处理内容的重构
+        # key 是每个独立 tag 对象的 id，value 是待处理的信息
+        tag_reconstruction_map = defaultdict(
+            lambda: {'chunks': [], 'is_split': False, 'original_full_html': None, 'tag_obj': None})
 
         for i, item_info in enumerate(items_to_translate):
             tag = item_info["tag"]
             tag_id = id(tag)
-            if tag_reconstruction_map[tag_id]['new_html'] is None:
-                original_full_html = item_info.get("original_full_html") or item_info["original_html"]
-                tag_reconstruction_map[tag_id]['new_html'] = original_full_html
+
+            tag_reconstruction_map[tag_id]['is_split'] = item_info['is_split']
             tag_reconstruction_map[tag_id]['tag_obj'] = tag
+            if item_info['is_split']:
+                tag_reconstruction_map[tag_id]['original_full_html'] = item_info['original_full_html']
 
-        for i, item_info in enumerate(items_to_translate):
-            tag = item_info["tag"]
-            tag_id = id(tag)
-            original_chunk = original_texts[i]
-            translated_chunk = translated_texts[i]
+            tag_reconstruction_map[tag_id]['chunks'].append({
+                'original': original_texts[i],
+                'translated': translated_texts[i]
+            })
+
+        for tag_id, data in tag_reconstruction_map.items():
+            tag: Tag = data['tag_obj']
+            final_html = ""
+
+            if data['is_split']:
+                # 如果是分割的段落，我们需要重组它
+                reconstructed_html = data['original_full_html']
+                for chunk in data['chunks']:
+                    original_chunk = chunk['original']
+                    translated_chunk = chunk['translated']
 
                     if self.insert_mode == "replace":
                         final_chunk = translated_chunk
                     elif self.insert_mode == "append":
                         final_chunk = original_chunk + self.separator + translated_chunk
-            elif self.insert_mode == "prepend":
+                    else:  # prepend
                         final_chunk = translated_chunk + self.separator + original_chunk
+
+                    # 使用带计数的替换，确保只替换第一个匹配项
+                    reconstructed_html = reconstructed_html.replace(original_chunk, final_chunk, 1)
+
+                final_html = reconstructed_html
             else:
-                final_chunk = translated_chunk
+                # 如果是完整的标签内容（包括表格单元格），则直接处理
+                chunk = data['chunks'][0]
+                original_chunk = chunk['original']
+                translated_chunk = chunk['translated']
 
-            tag_reconstruction_map[tag_id]['chunks'].append({'original': original_chunk, 'final': final_chunk})
-
-        for tag_id, data in tag_reconstruction_map.items():
-            tag: Tag = data['tag_obj']
-            reconstructed_html = data['new_html']
-
-            for chunk_info in data['chunks']:
-                reconstructed_html = reconstructed_html.replace(chunk_info['original'], chunk_info['final'], 1)
+                if self.insert_mode == "replace":
+                    final_html = translated_chunk
+                elif self.insert_mode == "append":
+                    # 对于表格，即使是 append 模式，直接拼接也可能破坏格式。
+                    # 因此，对于 td/th，我们强制在内部用 separator 分隔，而不是在标签外。
+                    if tag.name in ['td', 'th']:
+                        final_html = f"{original_chunk}{self.separator}{translated_chunk}"
+                    else:
+                        final_html = original_chunk + self.separator + translated_chunk
+                else:  # prepend
+                    if tag.name in ['td', 'th']:
+                        final_html = f"{translated_chunk}{self.separator}{original_chunk}"
+                    else:
+                        final_html = translated_chunk + self.separator + original_chunk
 
+            # 清空旧内容并插入新内容
             tag.clear()
-            new_content_soup = BeautifulSoup(reconstructed_html, 'html.parser')
+            # 使用 BeautifulSoup 解析最终的 HTML 片段，以正确处理嵌套标签
+            new_content_soup = BeautifulSoup(final_html, 'html.parser')
 
-            if new_content_soup.body:
-                nodes_to_insert = list(new_content_soup.body.children)
-            else:
+            # new_content_soup.body 可能不存在，如果 final_html 不含 body 标签。
+            # 我们需要从 soup 的顶层子节点开始插入。
             nodes_to_insert = list(new_content_soup.children)
+            if len(nodes_to_insert) == 1 and nodes_to_insert[0].name == 'html':
+                nodes_to_insert = list(nodes_to_insert[0].body.children)
 
             for node in nodes_to_insert:
+                # .extract() 会将节点从原文档树中移除，这样可以直接 append 到新位置
                 tag.append(node.extract())
+        # ==================== 修改结束 ====================
 
         for file_path, soup in soups.items():
             all_files[file_path] = str(soup).encode('utf-8')