diff --git a/docutranslate/translator/ai_translator/docx_translator.py b/docutranslate/translator/ai_translator/docx_translator.py index be10870..84b2caf 100644 --- a/docutranslate/translator/ai_translator/docx_translator.py +++ b/docutranslate/translator/ai_translator/docx_translator.py @@ -15,9 +15,6 @@ from docx.text.paragraph import Paragraph from docx.text.run import Run from docx.table import _Cell, Table -# 注意：根据最终方案，lxml 不再需要，已移除 -# from lxml import etree - from docutranslate.agents.segments_agent import SegmentsTranslateAgentConfig, SegmentsTranslateAgent from docutranslate.ir.document import Document from docutranslate.translator.ai_translator.base import AiTranslatorConfig, AiTranslator @@ -30,12 +27,6 @@ def is_image_run(run: Run) -> bool: return ' bool: """ 检查一个 Run 是否仅用于格式化，不包含任何应被渲染的文本。 @@ -44,7 +35,19 @@ def is_formatting_only_run(run: Run) -> bool: return run.text == "" -# ===================== MODIFICATION END ===================== +def is_styled_whitespace_run(run: Run) -> bool: + """ + 检查一个 Run 是否只包含空白字符，但应用了应保留的直接格式（如下划线）。 + 这些 Run 应被视为翻译段的边界并保持不变。 + """ + # 如果 Run 不只包含空白，或者完全为空，则不符合条件 + if not (run.text and run.text.isspace()): + return False + + rPr = run.element.rPr + # 如果 rPr 元素存在且有任何子元素（例如 表示下划线）， + # 这意味着样式被直接应用到了这个空白 Run 上。 + return rPr is not None and len(list(rPr)) > 0 # ---------------- 配置类 ---------------- @@ -60,21 +63,19 @@ class DocxTranslator(AiTranslator): 一个基于高级结构化解析的 .docx 文件翻译器。 它能高精度保留样式，并正确处理正文、表格、页眉/脚、脚注/尾注、超链接和目录(TOC)等复杂元素。 - [v5.3 - 语义切分修复版] - - 修复了 v5.2 方案中因过度切分格式变化文本（如 H₂O）导致翻译上下文丢失的问题。 - - 废弃了基于 比较的切分逻辑，转而采用更稳健的语义边界切分。 - - 核心改动：在处理完一个域（Field）的结束标记（fldCharType="end"）后强制刷新文本段， - 这既能正确分离引用标记（如[1]）与后续文本，防止格式污染，又能保持化学式等 - 含格式变化的连续文本的完整性。 + [v6.1 - 格式保留修复版] + - 修复了因合并 Run 导致下划线等格式在翻译后丢失的问题。 + - 通过引入 is_styled_whitespace_run 检查，将仅包含空格但带有样式的 Run（如下划线空格） + 视为与图片类似的不可翻译边界。 + - 这可以防止这些关键的格式化 Run 被合并到文本段中或在应用翻译时被错误地删除， + 从而确保了下划线、加粗空格等格式的完整保留。 - [v5.1 - 遍历修复版] - - 重构了核心遍历函数 _traverse_container，使其能稳健处理所有类型的文本容器， - 包括页眉 (header)、页脚 (footer)、脚注 (footnote) 和尾注 (endnote)。 - - [v5.0 - 增强版] - - 引入了智能域处理状态机，精确识别并跳过 PAGEREF (页码) 和 SEQ (序号) 等不应翻译的动态域内容。 - - 优化了文本切分逻辑，解决了目录(TOC)和图表目录(TOF)条目被错误拆分为“标题”和“页码”两部分的问题。 - - 根除了因复杂域处理不当导致的目录项重复翻译问题，确保每个条目只被提取和翻译一次。 + [v6.0 - 语义切分重构版] + - 核心思想重构：不再试图通过复杂的状态机去识别和“跳过”特定类型的域（如页码、序号）。 + - 默认提取所有文本：所有域的结果（PAGEREF, SEQ 等）现在都会被提取出来进行处理。 + - 简化切分逻辑：仅使用域的开始（begin）和结束（end）标记作为强制性的语义边界，在此处切分文本段。 + 这确保了域结果（如交叉引用"[1]"）与其前后的文本在语义上分离，同时又避免了因跳过逻辑导致的文本丢失风险。 + - 提升鲁棒性：新逻辑对未知或复杂的域结构更具适应性，确保了文本提取的完整性。 """ IGNORED_TAGS = { qn('w:proofErr'), qn('w:lastRenderedPageBreak'), qn('w:bookmarkStart'), @@ -84,8 +85,6 @@ class DocxTranslator(AiTranslator): RECURSIVE_CONTAINER_TAGS = { qn('w:smartTag'), qn('w:sdtContent'), qn('w:hyperlink'), } - # [v5.0] 定义不应翻译其结果的域指令 - SKIPPABLE_FIELD_INSTRUCTIONS = {'PAGEREF', 'SEQ', 'PAGE', 'NUMPAGES', 'DATE', 'TIME', 'SECTION'} def __init__(self, config: DocxTranslatorConfig): super().__init__(config=config) @@ -125,47 +124,28 @@ class DocxTranslator(AiTranslator): self._process_element_children(child, elements, texts, state) continue - # --- [v5.3] 智能域处理逻辑 --- - instr_text_element = child.find(qn('w:instrText')) if isinstance(child, CT_R) else None - if instr_text_element is not None: - instr_text = instr_text_element.text.strip() - if any(keyword in instr_text for keyword in self.SKIPPABLE_FIELD_INSTRUCTIONS): - state['is_in_skippable_field'] = True - continue - - field_char_element = child.find(qn('w:fldChar')) if isinstance(child, CT_R) else ( - child if child.tag == qn('w:fldChar') else None) + # --- [v6.0 Refactored] 简化的域处理逻辑 --- + field_char_element = child.find(qn('w:fldChar')) if isinstance(child, CT_R) else None if field_char_element is not None: fld_type = field_char_element.get(qn('w:fldCharType')) - if fld_type == 'begin': + if fld_type == 'begin' or fld_type == 'end': flush_segment() - state['is_in_skippable_field'] = False - state['is_skipping_result'] = False - elif fld_type == 'separate': - if state.get('is_in_skippable_field'): - flush_segment() - state['is_skipping_result'] = True - elif fld_type == 'end': - # ===== [v5.3] 关键改动 ===== - # 在域结束后强制刷新，确保域结果（如[1]）和后面的文本分开。 - # 这就是我们需要的语义边界。 - flush_segment() - state['is_in_skippable_field'] = False - state['is_skipping_result'] = False continue - if state.get('is_skipping_result'): - continue - # --- 域处理逻辑结束 --- - if isinstance(child, CT_R): run = Run(child, None) - if is_image_run(run) or is_formatting_only_run(run): + # [v6.1 FIX] 将带样式的空白 Run（如下划线）视为与图片一样的边界， + # 以防止其格式在翻译过程中丢失。 + if is_image_run(run) or is_formatting_only_run(run) or is_styled_whitespace_run(run): + # 这些 Run 是边界，不应包含在可翻译段落中。 + # 我们刷新任何之前的文本，然后这个 Run 本身被跳过， + # 从而在文档中保持原样。 flush_segment() else: - # [v5.3] 移除了 v5.2 的 rPr 比较逻辑，允许 H₂O 合并 + # 这是一个包含实际可翻译文本的 Run，将其添加到当前段落。 state['current_runs'].append(run) else: + # 如果子元素不是 Run，它也充当一个边界。 flush_segment() def _process_paragraph(self, para: Paragraph, elements: List[Dict[str, Any]], texts: List[str]): @@ -173,10 +153,10 @@ class DocxTranslator(AiTranslator): return state = { 'current_runs': [], - 'is_in_skippable_field': False, - 'is_skipping_result': False } self._process_element_children(para._p, elements, texts, state) + + # 刷新段落末尾任何剩余的 runs current_runs = state['current_runs'] if current_runs: full_text = "".join(r.text for r in current_runs)