技术文档翻译实践：保留PDF表格与版式的几种方案

前言

做技术开发的同学应该都遇到过这种情况：拿到一份英文API文档、设备手册或者技术白皮书PDF，几十上百页，需要翻译成中文才能高效阅读。直接复制粘贴到翻译工具，翻译完排版全乱了------表格错位、代码块消失、图表编号对不上。

本文分享几种处理PDF技术文档翻译的实践方案，重点对比它们在排版保留方面的表现。

问题分析：为什么PDF翻译后排版会丢？

PDF是固定版式格式，内容通过坐标定位。翻译工具处理PDF时的典型流程是"提取文本 → 翻译 → 重新排版"，其中重新排版是最容易出问题的环节：

• 多栏布局提取后文本顺序混乱
• 表格单元格被拆成纯文本，行列关系丢失
• 代码块、公式等非文本内容无法提取
• 翻译后文本长度变化导致版面错位

理解了原因，下面看几种解决方案。

方案一：Python提取 + 翻译API + 文本输出

适合需要提取内容做后续处理的场景。

环境

• Python 3.10+
• 依赖：pip install pdfplumber googletrans==4.0.0-rc1

提取PDF文本

import pdfplumber

def extract_pdf_text(pdf_path: str) -> list:
    """逐页提取PDF文本和表格
    
    Args:
        pdf_path: PDF文件路径
        
    Returns:
        每页的文本和表格信息列表
    """
    pages_data = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 提取纯文本
            text = page.extract_text()
            # 提取表格（如果有）
            tables = page.extract_tables()
            pages_data.append({
                'page_num': page.page_number,
                'text': text,
                'tables': tables
            })
    return pages_data

调用翻译API

from googletrans import Translator

def translate_text(text: str, dest='zh-cn') -> str:
    """翻译文本
    
    Args:
        text: 待翻译文本
        dest: 目标语言代码
        
    Returns:
        翻译后的文本
    """
    translator = Translator()
    # 分段翻译，避免超出API长度限制
    chunks = [text[i:i+4500] for i in range(0, len(text), 4500)]
    translated_chunks = []
    for chunk in chunks:
        result = translator.translate(chunk, dest=dest)
        translated_chunks.append(result.text)
    return ''.join(translated_chunks)

表格翻译与输出

def translate_tables(tables: list, dest='zh-cn') -> list:
    """翻译表格内容"""
    translated_tables = []
    for table in tables:
        translated_table = []
        for row in table:
            translated_row = [translate_text(cell or '', dest) for cell in row]
            translated_table.append(translated_row)
        translated_tables.append(translated_table)
    return translated_tables

效果评估：

指标	表现
文本提取	基本完整，多栏排版可能顺序乱
表格提取	简单表格可以，复杂合并单元格容易出错
公式/图表	无法提取
排版保留	不保留，输出为纯文本或简单表格

适用场景：只需要提取文本内容做后续处理（如构建知识库、术语提取），不关心排版。

方案二：PyMuPDF + 坐标映射 + 重排版

更高级的方案，尝试保留布局信息。

环境准备

pip install pymupdf reportlab

提取带坐标的文本块

import fitz  # PyMuPDF

def extract_text_blocks_with_position(pdf_path: str) -> list:
    """提取带坐标信息的文本块
    
    Returns:
        文本块列表，每个块包含文本、坐标、字号等信息
    """
    doc = fitz.open(pdf_path)
    blocks_data = []
    
    for page_num in range(len(doc)):
        page = doc[page_num]
        blocks = page.get_text("dict")["blocks"]
        
        for block in blocks:
            if "lines" in block:
                for line in block["lines"]:
                    for span in line["spans"]:
                        blocks_data.append({
                            'page': page_num,
                            'text': span["text"],
                            'bbox': span["bbox"],  # (x0, y0, x1, y1)
                            'size': span["size"],
                            'font': span["font"]
                        })
    return blocks_data

翻译并按坐标重排

def translate_and_rebuild(pdf_path: str, output_path: str, dest='zh-cn'):
    """翻译并尝试按原坐标重建排版
    
    注意：这是一个简化版本，实际应用中需要处理更多边界情况
    """
    doc = fitz.open(pdf_path)
    
    for page_num in range(len(doc)):
        page = doc[page_num]
        # 获取文本块
        text_blocks = page.get_text("dict")["blocks"]
        
        for block in text_blocks:
            if "lines" not in block:
                continue
            for line in block["lines"]:
                for span in line["spans"]:
                    original_text = span["text"]
                    if not original_text.strip():
                        continue
                    
                    # 翻译
                    translated = translate_text(original_text, dest)
                    
                    # 用红色文本覆盖原位置
                    rect = fitz.Rect(span["bbox"])
                    page.add_redact_annot(rect, fill=(1, 1, 1))
                    page.apply_redactions()
                    page.insert_text(
                        fitz.Point(rect.x0, rect.y1 - 2),
                        translated,
                        fontsize=span["size"] * 0.8,  # 中文字体缩小
                        color=(0, 0, 0)
                    )
    
    doc.save(output_path)
    doc.close()

效果评估：

指标	表现
文本提取	完整，带坐标信息
排版保留	基本保留位置，但文本长度变化会导致重叠或留白
表格	位置保留但内容可能溢出单元格
公式/图表	不处理，保留原图

主要问题：中文翻译后文本通常比英文短，但有时也会变长（如术语展开），坐标映射难以完美适配所有情况。代码块和公式仍然是盲区。

方案三：在线整份翻译工具

如果不需要编程控制，直接使用现成的在线工具是效率最高的方案。

我测试了 PDFTranslator，它的处理方式是直接上传整个PDF文件，在翻译过程中保留原文档的页面结构、表格、图片和字体，下载翻译后的PDF。

测试用例

用一份技术手册PDF测试，包含参数表、安装步骤、示意图和警示框：

测试项	结果
参数表	行列对应关系保留，数值未翻译（正确行为）
安装步骤	步骤编号保留，示意图位置未偏移
警示框	边框和图标保留，文字翻译
多栏排版	栏结构保留
文件大小	20MB以内，每月1000页免费额度

优势与局限

优势：

• 无需编程，上传即用
• 排版保留效果明显优于脚本方案
• 支持拆分、合并、压缩等PDF处理功能

局限：

• 翻译引擎不可自定义
• 专业术语需要人工复核
• 复杂公式的翻译效果因文档而异

方案对比总结

维度	Python提取+API	PyMuPDF坐标重排	在线整份翻译
排版保留	不保留	部分保留	基本保留
表格处理	简单表格可提取	位置保留但可能溢出	结构保留
公式/图表	无法处理	保留原图	保留原图
可定制性	高	高	低
技术门槛	中	高	无
适合场景	批量文本提取	需要保留位置信息	日常文档翻译

实践建议

1. 只需要文本内容：用pdfplumber提取 + 翻译API，简单高效
2. 需要保留版面位置：PyMuPDF坐标映射方案可行，但要做好边界情况处理
3. 需要翻译完整文档并保留排版：在线整份翻译工具是最省心的选择，适合日常使用
4. 无论哪种方案：技术文档中的参数值、代码、公式建议对照原文复核

以上方案各有适用场景，根据实际需求选择即可。如果你有更好的PDF翻译排版保留方案，欢迎评论区交流。

标签：PDF翻译、Python自动化、技术文档翻译、效率工具