diff --git a/docutranslate/translator/ai_translator/epub_translator.py b/docutranslate/translator/ai_translator/epub_translator.py index 32cbaa4..1e305a1 100644 --- a/docutranslate/translator/ai_translator/epub_translator.py +++ b/docutranslate/translator/ai_translator/epub_translator.py @@ -8,7 +8,7 @@ from dataclasses import dataclass from io import BytesIO from typing import Self, Literal, List, Dict, Any -from bs4 import BeautifulSoup +from bs4 import BeautifulSoup, Tag from docutranslate.agents.segments_agent import SegmentsTranslateAgentConfig, SegmentsTranslateAgent from docutranslate.ir.document import Document @@ -24,7 +24,7 @@ class EpubTranslatorConfig(AiTranslatorConfig): class EpubTranslator(AiTranslator): """ 一个用于翻译 EPUB 文件中内容的翻译器。 - 此版本使用内置的 `zipfile` 和 `xml` 库，不依赖 `ebooklib`。 + 【高级版】此版本直接翻译HTML内容，以保留内联格式。 """ def __init__(self, config: EpubTranslatorConfig): @@ -33,7 +33,7 @@ class EpubTranslator(AiTranslator): self.translate_agent = None if not self.skip_translate: agent_config = SegmentsTranslateAgentConfig( - custom_prompt=config.custom_prompt, + custom_prompt=config.custom_prompt, # 使用优化后的prompt to_lang=config.to_lang, base_url=config.base_url, api_key=config.api_key, @@ -54,35 +54,25 @@ class EpubTranslator(AiTranslator): def _pre_translate(self, document: Document) -> tuple[ Dict[str, bytes], List[Dict[str, Any]], List[str] ]: - """ - 预处理 EPUB 文件，提取所有需要翻译的文本。 - """ all_files = {} items_to_translate = [] - original_texts = [] + original_texts = [] # 现在这里存储的是HTML片段 - # --- 步骤 1: 使用 zipfile 读取 EPUB 内容到内存 --- with zipfile.ZipFile(BytesIO(document.content), 'r') as zf: for filename in zf.namelist(): all_files[filename] = zf.read(filename) - # --- 步骤 2: 解析元数据以找到内容文件 --- - # 2.1: 解析 container.xml 找到 .opf 文件的路径 container_xml = all_files.get('META-INF/container.xml') if not container_xml: raise ValueError("无效的 EPUB：找不到 META-INF/container.xml") - root = ET.fromstring(container_xml) - # XML 命名空间，解析时必须使用 ns = {'cn': 'urn:oasis:names:tc:opendocument:xmlns:container'} opf_path = root.find('cn:rootfiles/cn:rootfile', ns).get('full-path') opf_dir = os.path.dirname(opf_path) - # 2.2: 解析 .opf 文件找到 manifest 和 spine opf_xml = all_files.get(opf_path) if not opf_xml: raise ValueError(f"无效的 EPUB：找不到 {opf_path}") - opf_root = ET.fromstring(opf_xml) ns_opf = {'opf': 'http://www.idpf.org/2007/opf'} @@ -90,14 +80,11 @@ class EpubTranslator(AiTranslator): for item in opf_root.findall('opf:manifest/opf:item', ns_opf): item_id = item.get('id') href = item.get('href') - # 路径需要相对于 .opf 文件的位置 full_href = os.path.join(opf_dir, href).replace('\\', '/') manifest_items[item_id] = {'href': full_href, 'media_type': item.get('media-type')} - spine_itemrefs = [item.get('idref') for item in opf_root.findall('opf:spine/opf:itemref', ns_opf)] + TAGS_TO_TRANSLATE = ['p', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'li', 'div'] - # --- 步骤 3: 提取可翻译内容 --- - # 我们这里简单地翻译 manifest 中所有的 xhtml/html 文件 for item_id, item_data in manifest_items.items(): media_type = item_data['media_type'] if media_type in ['application/xhtml+xml', 'text/html']: @@ -108,20 +95,18 @@ class EpubTranslator(AiTranslator): continue soup = BeautifulSoup(content_bytes, "html.parser") - for text_node in soup.find_all(string=True): - if ( - text_node.parent.name not in ['style', 'script', 'head', 'title', 'meta', '[document]'] - and not text_node.isspace() - ): - text = text_node.get_text(strip=True) - if text: - item_info = { - "file_path": file_path, - "text_node": text_node, - "original_text": text, - } - items_to_translate.append(item_info) - original_texts.append(text) + for tag in soup.find_all(TAGS_TO_TRANSLATE): + # 获取标签内部的HTML，而不是纯文本 + inner_html = tag.decode_contents() + # 只有在内部有实际内容（不仅仅是空白）时才翻译 + if inner_html and not inner_html.isspace(): + item_info = { + "file_path": file_path, + "tag": tag, + "original_html": inner_html, + } + items_to_translate.append(item_info) + original_texts.append(inner_html) return all_files, items_to_translate, original_texts @@ -130,57 +115,51 @@ class EpubTranslator(AiTranslator): all_files: Dict[str, bytes], items_to_translate: List[Dict[str, Any]], translated_texts: List[str], - original_texts: List[str], + original_texts: List[str], # 这里是 original_htmls ) -> bytes: - """ - 将翻译后的文本写回，并重新打包成 EPUB 文件。 - """ - modified_soups = {} # 缓存每个文件的 soup 对象 + modified_soups = {} for i, item_info in enumerate(items_to_translate): file_path = item_info["file_path"] - text_node = item_info["text_node"] - translated_text = translated_texts[i] - original_text = original_texts[i] + tag: Tag = item_info["tag"] + translated_html = translated_texts[i] + original_html = original_texts[i] - # 获取或创建该文件的 soup 对象 if file_path not in modified_soups: - # 找到该节点所属的根 soup 对象 - modified_soups[file_path] = text_node.find_parent('html') + modified_soups[file_path] = tag.find_parent('html') + # [修改] 处理 insert_mode，现在操作的是HTML片段 if self.insert_mode == "replace": - new_text = translated_text + final_html = translated_html elif self.insert_mode == "append": - new_text = original_text + self.separator + translated_text + final_html = original_html + self.separator + translated_html elif self.insert_mode == "prepend": - new_text = translated_text + self.separator + original_text + final_html = translated_html + self.separator + original_html else: - new_text = translated_text + final_html = translated_html - text_node.replace_with(new_text) + # [修改] 清空旧内容，并追加解析后的新HTML内容 + tag.clear() + # 解析AI返回的HTML字符串，'html.parser'对此有很好的容错性 + new_content = BeautifulSoup(final_html, 'html.parser') + # 将解析后的所有子节点追加到原tag中 + for child in new_content.contents: + tag.append(child.extract()) # extract()会从原文档树中移除节点，避免重复 - # 将修改后的 soup 对象转换回字节串 for file_path, soup in modified_soups.items(): all_files[file_path] = str(soup).encode('utf-8') - # --- 步骤 4: 创建新的 EPUB (ZIP) 文件 --- output_buffer = BytesIO() with zipfile.ZipFile(output_buffer, 'w') as zf_out: - # 关键：mimetype 必须是第一个文件且不能压缩 if 'mimetype' in all_files: zf_out.writestr('mimetype', all_files['mimetype'], compress_type=zipfile.ZIP_STORED) - - # 写入其他所有文件 for filename, content in all_files.items(): if filename != 'mimetype': zf_out.writestr(filename, content, compress_type=zipfile.ZIP_DEFLATED) - return output_buffer.getvalue() + # translate 和 translate_async 方法无需修改，因为它们调用的_pre_translate和_after_translate已经被更新了 def translate(self, document: Document) -> Self: - """ - 同步翻译 EPUB 文档。 - """ all_files, items_to_translate, original_texts = self._pre_translate(document) if not items_to_translate: self.logger.info("\n文件中没有找到需要翻译的纯文本内容。") @@ -199,9 +178,6 @@ class EpubTranslator(AiTranslator): return self async def translate_async(self, document: Document) -> Self: - """ - 异步翻译 EPUB 文档。 - """ all_files, items_to_translate, original_texts = await asyncio.to_thread( self._pre_translate, document ) @@ -222,4 +198,4 @@ class EpubTranslator(AiTranslator): document.content = await asyncio.to_thread( self._after_translate, all_files, items_to_translate, translated_texts, original_texts ) - return self + return self \ No newline at end of file