为什么 PDF 翻译很难？我们到底在还原什么？

上一篇文章《从阅读习惯看，为什么翻译 PDF 时需要保留原来的排版？》中，我们从阅读习惯出发，聊到为什么翻译 PDF 时，不能只留下翻译后的文字。读一份论文、报告或技术资料时，我们会看标题、找图表，也会在原文和译文之间来回核对。原来的排版，帮助我们记住这些内容之间的关系。

但从技术上看，保留这些关系并不简单。

PDF 翻译不是把一种语言替换成另一种语言，再把文字放回原来的位置。它还需要理解一页内容由什么组成，判断哪些文字属于同一部分，并在译文长度发生变化之后，重新安排页面。

真正困难的地方在于：PDF 通常只告诉我们一个元素“放在哪里”，却不一定告诉我们它“属于什么”。一段文字属于哪个标题，图表对应哪段说明，公式中的符号和哪句话有关，这些关系往往需要从位置、样式和上下文中推断出来。双栏、图表、公式和表格，都会让这种推断变得更复杂。

一页 PDF，为什么不能直接按文字读取

编辑文档时，我们通常知道一个标题是标题，一段文字是段落，一行表格属于哪一列。但 PDF 更接近“页面最后呈现出来的样子”：文字、线条、图片和空白被放在各自的位置上，却不一定带着清楚的结构说明。

同一段话可能被拆成许多独立的文字块，图表中的文字可能和图形分开保存，表格也可能只有一组线条和数字，并没有明确的行列信息。扫描 PDF 更特殊：页面上看到的是一张图片，文字、表格和公式都需要先从图像中识别出来。

因此，翻译前需要先回答一些问题：

哪些文字属于同一个段落？
哪个标题对应下面的内容？
两栏文字的阅读顺序是什么？
一段说明属于哪张图或哪张表？
页眉、页脚和正文应该怎样区分？

如果没有先理解这些关系，直接提取文字、逐段翻译，再按顺序放回页面，结果可能每句话都翻译出来了，读者却不知道该从哪里读起。

所以，PDF 翻译的第一步不是替换文字，而是尽量理解页面的结构。技术上，这一步更像是在一张已经完成的页面上重新建立“标题—段落—图表—说明”的关系，而不是简单地读取一串文字。

双栏排版，真正难的是先后顺序

论文和技术报告经常使用双栏排版。我们要还原的不是两条竖直的区域，而是读者沿着页面阅读时的路径：先读哪一栏，标题属于哪一部分，脚注应该在哪里停下来读。

人眼可以很快判断应该先读左栏，再读右栏；但对处理系统来说，一页文字的排列位置并不天然等于阅读顺序。

一段文字可能被拆成很多行，每一行又可能被识别成一个独立的文本块。如果只按照页面上的坐标或提取顺序处理，就可能出现几种情况：左栏还没有读完，内容已经跳到了右栏；标题被放到了错误的位置；脚注插进正文中间；跨栏的图表被误认为是某一栏的一部分。

技术上，系统需要同时处理页面分区、文本块排序和特殊内容的穿插：

先判断栏与栏之间的边界；
识别标题、正文、脚注和页眉页脚；
恢复每个文本块之间的先后关系；
翻译后在可用栏宽内重新安排换行；
检查读者是否仍然能按照原来的顺序读下去。

如果译文比原文更长，原来的文本区域也可能容纳不下。强行保持每一行的位置，容易造成文字重叠或空白过大。好的还原并不是让每个字都停在原来的坐标上，而是尽量保留双栏带来的阅读秩序。

图表不是一张图，而是一组相互关联的信息

图表是 PDF 翻译中很容易被低估的一部分。我们要还原的不是一张“看起来差不多”的图，而是图形、数据、图例、图注和正文之间的对应关系。

对读者来说，一张图和附近的文字自然属于同一个论述；但在 PDF 内部，它们可能是互相独立的对象，甚至来自不同的内容层。

正文可以被完整翻译，但如果图表中的标题、坐标轴、图例和注释没有被处理，读者仍然可能无法理解作者正在说明什么。相反，如果只翻译图表里的文字，却没有保留它和正文、图注之间的对应关系，信息也会被拆开。

一张图通常包含几层内容：

图表标题，说明它在讨论什么；
坐标轴和单位，说明数字应该怎样理解；
图例，说明不同颜色、线条或标记代表什么；
图中的标注，指出某个结果或变化；
图注和正文引用，补充使用条件与解释。

这些内容需要被视为一个整体。技术上，系统要判断它们之间的关联，而不能只依靠“离得近”这一条规则：

图注可能在图的下方，也可能因为分页出现在下一页；
两栏页面中，最近的一段文字不一定就是图表的说明；
正文可能通过“见图 2”这样的引用，跨越较远的距离指向图表；
图表里的文字可能是可提取文本，也可能已经和图形合并成一张图片；
坐标轴、图例和数据标签需要翻译，但数字和数据关系不能被改动。

翻译时要尽量保留数据、图形和说明之间的关系，而不是只把能提取出来的句子翻译掉。换句话说，系统不仅要识别“这里有一段文字”，还要判断“这段文字在这张图里扮演什么角色”。

这也是为什么图表的还原不能只用“文字有没有翻译”来判断。还需要看：图例是否仍然对应正确，单位有没有丢失，图注是否仍然能找到，以及正文提到的“图 2”是否真的指向那张图。只要其中一个关联错了，图表虽然还在，读者理解到的内容也可能已经变了。

公式难处理的，是它周围的关系

公式本身通常不需要被翻译，但我们要还原的是它和周围文字的关系：变量如何解释，编号如何引用，公式前后的限定条件如何保留。

例如，公式中的变量可能会在下一段解释，公式编号可能会在正文中被引用，公式前后的限定条件也可能决定结论是否成立。如果只保留公式，却让变量说明、编号或上下文失去对应，读者仍然很难使用它。

从技术上看，公式还可能以不同形式存在：有些由文本字符和矢量线条组合而成，有些已经是一张图片，未必保留了原编辑器中的数学结构。提取时，上标、下标、根号和希腊字母可能被拆散或混淆；重新排版时，公式又不能像普通句子一样随意换行。公式、编号与正文引用也需要保持对应，不能因为位置或顺序处理错误，让读者把“公式（3）”理解成另一条公式。

因此，公式还原至少要关注几件事：

公式中的符号、上下标和特殊字符是否完整；
公式编号是否和正文引用保持一致；
变量说明是否仍然紧跟在相关位置；
公式换行后是否清晰可读；
公式周围的解释文字是否被错误地拆开。

对于论文和技术资料来说，公式是否“看起来还在”只是最基本的检查。它和前后文字的关系同样重要。

表格错一个位置，数字就可能变成另一个意思

表格要还原的不是边框和线条本身，而是行、列、表头、单位、注释与数字之间的关系。表格中的一个数字，只有和正确的行、列、表头及单位放在一起，才有完整的含义。

实际文件里，表格可能包含合并单元格、跨页表头、没有边框的隐形列，甚至只是用空格排出来的文本。翻译后，某个单元格里的文字变长，可能影响整列宽度；如果只按原来的坐标放回去，文字就可能溢出、遮挡下一列，或让读者误以为一个数字属于另一行。

因此，表格还原要保留的是行列关系、表头层级、单位和注释，而不是只把线条画回相同的位置。

译文变长以后，页面要重新找到平衡

即使已经正确识别了页面结构，翻译完成后仍然会遇到一个实际问题：不同语言表达同一个意思时，所需要的空间并不相同。这里要还原的，不是每个字符的原坐标，而是标题、段落、图表和公式之间仍然清楚的空间关系。

一段英文译成中文后，可能变短，也可能因为术语、括号和解释变长。换一种语言时，单词是否可以换行、标点怎样排列、字体宽度如何变化，都会影响页面最终的样子。

这会进一步影响：

双栏中的换行位置；
标题是否需要占用两行；
图表旁边是否还有足够空间；
表格中的文字是否会超出单元格；
原来的页面区域是否还能容纳完整译文。

因此，翻译后的排版不能只是把译文贴回原来的文字框。它需要在结构相近和阅读舒适之间取得平衡。

我们怎样把这些关系还原回来

在 iSomor 的处理思路里，排版还原不是最后才补上的装饰，而是翻译过程的一部分。当前处理以可提取文字的 PDF 为基础，将页面布局识别、段落组织、翻译和译文排版连接起来。下面的几个环节，既说明我们在处理什么，也说明我们怎样判断还原是否有用；并不意味着所有复杂关系都已经能够被自动识别和校验。

先把页面拆成可以理解的内容对象

页面解析需要结合文字的位置与布局区域，尽量区分正文、标题、图表和公式等内容，再组织需要翻译的段落。这里的目标不是把页面切成更多小块，而是减少本该相连的文字被拆开、不同区域的文字被混在一起的情况。

表格就是一个具体例子。我们的实现中加入了单元格区域信息，辅助后续的段落分组：同一格里的几行文字，尽量放在一起理解；不同格里的内容，尽量不要串到一起。但这不等于所有表格都已被准确重建。无边框表格、复杂表头和格内多段内容，仍可能出现分组错误，需要继续核查。

让关联信息尽量留在一起

识别出图表还不够。还原结果是否有用，还要看图注、图例和正文引用能否与它对应；公式也是一样，编号和变量说明不能失去联系。

这首先是一项还原目标，而不是对系统已经理解所有引用关系的承诺。实际文件中，保留原有图形、编号及附近文字的位置关系，有助于读者继续核对；但对跨页图注、远距离引用或已经合并到图片里的文字，不能仅凭页面看起来完整，就认定这些关联已经被正确处理。

在段落中保留必要的上下文

当前翻译处理以段落为单位，而不是把每一个文字行都当作独立句子。尽量正确地组织段落，能减少一句话被截开后失去上下文的问题。

但段落分组并不能自动保证全文术语一致。标题、正文、图例和表格中的同一个术语仍可能出现不同译法，特别是它们分属不同区域时。对重要术语和结论，我们仍建议结合原文核对，不把翻译完成当作已经完成了全文一致性检查。

根据译文重新计算页面空间

文字长度变化之后，需要根据可用区域重新安排换行和文字布局，同时尽量保留图表、公式等内容。困难在于，单个段落放得下，不代表它与相邻区域之间就不会出现冲突。

例如，标题译成两行后，是否挤到了下面的内容；图注变长后，是否超出了原有空间；表格中的译文是否碰到了相邻列。这些都说明，重新排版是在一组相互约束的区域中寻找可读的布局，而不是把文字逐个贴回原坐标。这里不把自动重建栏宽、跨页移动图表或重新分页，当作所有文件都能获得的效果。

最终结果不一定和原文件逐像素相同。更重要的是，读者仍然能区分标题和正文，找到图表对应的说明，并沿着原来的论述继续读下去。

最后回到原文，检查内容和版式

一份页面看起来整齐，并不代表它已经正确。核查时需要分别看三类问题：内容有没有遗漏或重复，关系有没有错配，页面有没有重叠、截断或顺序错误。这些是检查结果时应关注的维度，不表示工具已经自动完成了全部内容和视觉核验。

例如，图表可能完整地出现在页面上，但图注与它的对应关系已经变得不清楚；公式可能没有缺失，但上下标被放到了错误的位置；表格看起来对齐，某个数字却已经落在了相邻列。这些问题需要通过内容和结构的对照来发现，不能只靠最后的截图检查。

对于数字、术语、公式和结论，原文仍然是重要参照。排版还原可以减少寻找和核对的阻力，但不能替代读者对关键内容的判断。

我们追求的是可继续阅读，而不是一张完全相同的图片

“还原”很容易被理解成每个字、每条线都必须和原文停在完全相同的位置。但在语言已经改变的情况下，这个目标并不总是合理。

如果为了保持原来的行数，把译文缩得很小，或者让段落挤在一起，页面虽然更像原文，阅读反而会变得困难。相反，在可用区域内适当调整换行、字号或行距，只要标题、图表、公式和说明之间的关系仍然清楚，读者可能更容易继续读下去。

所以，我们更关心的是几件实际的事：

内容有没有完整保留下来；
阅读顺序是不是清楚；
图表、公式和正文能不能对应；
读者能不能在需要时回到原文核对；
页面是否仍然适合真实阅读。

这也是 iSomor 希望解决的问题。我们不是把 PDF 变成一串翻译后的句子，而是尽量让它仍然像一份可以被阅读、查找和继续使用的资料。

复杂文件仍然需要检查

不同 PDF 的来源和制作方式差别很大。iSomor 当前面向包含可提取文字的 PDF；整页扫描图片所需的 OCR 识别不在当前开放范围内。即使是文字 PDF，复杂的嵌套表格、特殊字体，以及合并在图片里的文字，也可能超出自动处理的能力边界。

因此，翻译完成后，尤其是论文中的关键数字、公式、图表和结论，仍然值得回到原文检查。我们不把版式看起来整齐，当作内容已经完全正确的证明。

对我们来说，技术工作的意义不是把复杂性转交给读者，而是尽量提前处理那些会打断阅读的部分。少一次重新整理，少一次寻找对应位置，读者就多一点机会把注意力放回资料本身。