PDF多语言翻译的格式还原技术拆解：从版面分析到内容重排的工程实现

前言

做文档处理的人应该都有共识："把 PDF 翻译成另一种语言"和"把 PDF 的文字翻译成另一种语言"是两件完全不同的事。前者要在翻译之外解决一个更麻烦的问题------如何在文字长度、方向都改变之后，仍然保持原来的版面结构。

我在调研和实现多语言 PDF 翻译方案时，把"格式还原"这条技术链路完整梳理了一遍：版面分析 → 文本定位 → 机器翻译 → 内容重排 → 渲染输出。这篇文章把这套链路的工程实现拆开讲清楚，并附可运行的最小代码示例，希望能给做文档处理、翻译工具的同学一些参考。

一、整体架构

一个可用的格式保留翻译管线分为五个阶段：

PDF输入
  │
  ▼
①版面分析（Layout Analysis）
  识别标题/正文/表格/图片/页眉页脚区域
  │
  ▼
②文本块定位（Block Localization）
  对每个文本区域做坐标建模（bbox + 阅读顺序）
  │
  ▼
③机器翻译（MT）
  按块翻译，保留块结构元数据
  │
  ▼
④内容重排（Reflow）
  处理译文长度变化：缩放/换行/表格单元格重排
  │
  ▼
⑤渲染输出（Render）
  重新生成 PDF，字体映射与宽度估算

核心难点集中在第①步和第④步：版面分析决定了"哪里是哪里"，内容重排决定了"译文放不放得下"。

二、环境准备

本文示例使用 Python 3.10+，依赖如下：

pip install pymupdf pdfplumber paddleocr  # 可选：paddleocr 仅扫描件需要

• PyMuPDF (fitz)：PDF 解析与渲染，坐标精度高，适合版面分析
• pdfplumber：表格抽取与文本提取的补充
• 翻译环节演示用占位接口，可替换为任意 MT API

三、实现步骤

Step 1: 版面分析 ------ 用坐标把页面"分块"

版面分析的本质是把页面上的图形元素聚类成语义块。先用 PyMuPDF 抽取文本块及其 bbox：

import fitz

def extract_blocks(pdf_path: str, page_no: int = 0) -> list:
    """抽取指定页的文本块（含坐标）
    
    Args:
        pdf_path: PDF 文件路径
        page_no: 页码（从 0 开始）
        
    Returns:
        blocks: [{"text":..., "bbox":[...], "size":...}, ...]
    """
    doc = fitz.open(pdf_path)
    page = doc[page_no]
    blocks = []
    for block in page.get_text("dict")["blocks"]:
        if block["type"] != 0:  # 跳过图片块（type=1）
            continue
        for line in block["lines"]:
            for span in line["spans"]:
                text = span["text"].strip()
                if not text:
                    continue
                blocks.append({
                    "text": text,
                    "bbox": list(span["bbox"]),   # [x0, y0, x1, y1]
                    "size": span["size"],          # 字号，用于推断标题层级
                })
    doc.close()
    return blocks

拿到带坐标的文本块后，按字号和位置做简单分类：

def classify_block(block: dict, max_font: float) -> str:
    """按字号相对比例粗分类：标题/正文/页眉页脚"""
    ratio = block["size"] / max_font
    y0 = block["bbox"][1]
    if ratio > 0.8:
        return "title"
    if y0 < 50:      # 页面上部，通常是页眉
        return "header"
    if y0 > 792 - 50:  # A4 高度约 792pt
        return "footer"
    return "body"

实际工程中会用专门的版面模型（如 LayoutParser、DocLayout-YOLO）做像素级区域检测，把表格、图片、多栏都识别出来。坐标分块是理解这条链路的最小起点。

Step 2: 文本块定位与阅读顺序还原

PDF 文本块的天然顺序是按内容流（content stream）而非视觉顺序，多栏排版时尤其明显。需要按坐标排序恢复阅读顺序：

def sort_reading_order(blocks: list) -> list:
    """按 (行, 列) 对文本块排序，恢复双栏阅读顺序
    
    简化策略：先按 y 分带（band），带内按 x 排序
    """
    if not blocks:
        return []
    blocks = sorted(blocks, key=lambda b: (b["bbox"][1], b["bbox"][0]))
    bands, cur_band, last_y = [], [], blocks[0]["bbox"][1]

    for b in blocks:
        if abs(b["bbox"][1] - last_y) > 20:  # 同一视觉行容差
            bands.append(sorted(cur_band, key=lambda x: x["bbox"][0]))
            cur_band, last_y = [], b["bbox"][1]
        cur_band.append(b)
    if cur_band:
        bands.append(sorted(cur_band, key=lambda x: x["bbox"][0]))
    return [b for band in bands for b in band]

真实场景还需要处理跨栏文本的合并、表格单元格与正文的区分，这里用"按 y 分带、带内按 x 排序"的启发式还原大部分双栏论文的阅读顺序。

Step 3: 机器翻译 ------ 按块翻译并保留元数据

按块翻译而非整页翻译，是为了保留每个块的坐标和样式信息。伪代码示意：

def translate_block(block: dict, mt_func) -> dict:
    """调用 MT 翻译单个文本块，保留 bbox 等元数据
    
    Args:
        block: 文本块 {text, bbox, size}
        mt_func: 翻译函数 translate(text, target_lang) -> str
    """
    translated = mt_func(block["text"], target_lang="zh")
    return {
        "text": translated,
        "bbox": block["bbox"],
        "size": block["size"],
        "role": classify_block(block, MAX_FONT),
    }

块级翻译的好处：出错时可以只重试失败的块，不用整页重翻；也方便对标题、正文设置不同的术语策略。

Step 4: 内容重排 ------ 处理译文"塞不下"的问题

这是格式还原工程里最容易翻车的一环。中文译文通常比英文原文短，但德语、俄语译文可能更长。塞不下的处理策略：

def reflow_text(translated: str, block_width: float, font_size: float) -> list:
    """把译文按给定宽度重排为多行
    
    简化实现：按字符宽度估算换行点
    """
    # 粗略估算：中文约等于字号宽度，西文平均约 0.5 倍字号宽度
    avg_w = font_size * 0.5 if translated.encode("latin-1", "ignore") else font_size
    max_chars = max(1, int(block_width / avg_w))
    lines = [translated[i:i+max_chars] for i in range(0, len(translated), max_chars)]
    return lines

工程化的重排需要考虑的更多：

• 表格：单元格译文超出时，需扩展行高并同步下方单元格（避免错位）；
• 图片与图注：图片位置不动，图注按块重排后仍锚定原图；
• 字号策略：长文本可小幅缩字号（如 10pt→9pt），但不超过 15%，否则观感割裂；
• 行高补偿：译文行数变多时，块之间垂直间距要均匀补偿，防止整页内容溢出。

Step 5: 渲染输出 ------ 字体映射与落位

最后把重排后的块画回新页面：

def render_translated_pdf(blocks: list, out_path: str, font_path: str):
    """按元数据把译文渲染成新 PDF"""
    doc = fitz.open()  # 从零创建
    page = doc.new_page(width=595, height=842)  # A4

    for block in blocks:
        x0, y0, x1, y1 = block["bbox"]
        lines = reflow_text(block["text"], x1 - x0, block["size"])
        font_size = block["size"]
        # 注册中文字体，避免译文出现豆腐块
        page.insert_font(fontname="F0", fontfile=font_path)
        for i, line in enumerate(lines):
            page.insert_text(
                fitz.Point(x0, y0 + font_size * (1.4 * i + 1)),
                line,
                fontname="F0",
                fontsize=font_size,
            )
    doc.save(out_path)
    doc.close()

字体映射是"最后一公里"：源 PDF 的英文字体通常不含中文/西语字符，必须插入覆盖目标语言字符集的字体，否则渲染出来的全是方块（豆腐块/tofu）。

四、完整代码串联

把上面五步串成主流程：

def translate_pdf_keep_layout(pdf_path: str, out_path: str, mt_func, font_path: str):
    """PDF 格式保留翻译主流程"""
    doc = fitz.open(pdf_path)
    for page_no in range(doc.page_count):
        blocks = extract_blocks(pdf_path, page_no)
        blocks = sort_reading_order(blocks)
        blocks = [translate_block(b, mt_func) for b in blocks]
        # 注：为演示简化，渲染单独创建新文档；
        # 实际工程建议逐页原地重排，保留非文字图形元素
    doc.close()

    # 这里仅演示用第一页的翻译结果渲染
    blocks = extract_blocks(pdf_path, 0)
    blocks = sort_reading_order(blocks)
    blocks = [translate_block(b, lambda t: f"[译]{t}") for b in blocks]
    render_translated_pdf(blocks, out_path, font_path)

五、工程落地要点与踩坑记录

真要把这条链路做成生产级服务，以下几点比算法本身更影响成败：

1. 图片类 PDF 要先 OCR：扫描件没有文本层，先 OCR 得到带坐标的文字，再走同一套管线。
2. 表格是最大难点 ：建议表格区域单独走"单元格级翻译"，而不是整块文本翻译。表格识别可用 pdfplumber 的 page.find_tables() 辅助验证。
3. 必须做文本溢出检测：渲染后逐块检查译文 bbox 是否超出原块，超出则触发降级策略（缩字号/扩展行高/截断提示）。
4. 术语一致性：长文档分块翻译容易出现同一个术语翻法不一致，建议引入术语表（glossary）做后处理替换。
5. 性能：几百页文档逐块调用 MT 是瓶颈，要做并发 + 失败重试 + 断点续传。实践中我把块级任务丢进线程池，单页耗时从串行的 30 秒降到 6 秒左右。

总结

格式还原翻译的本质是"把版式当一等公民，而不是翻译完再想办法拼回去"。核心链路是版面分析 → 文本块定位 → 块级翻译 → 内容重排 → 渲染输出，其中版面分析和内容重排决定了格式还原的上限，字体映射决定了渲染的下限。

如果是个人或小团队快速落地，不必从零造轮子：成熟的开源组件（PyMuPDF/pdfplumber/PaddleOCR）覆盖了解析层，翻译层可接大模型 API，把精力集中在"重排策略"这个真正的差异化环节上------那才是格式还原质量的分水岭。如果你的场景不需要自建管线，也可以直接用市面上成熟的格式保留型在线工具（如 PDFTranslator，其集成 Gemini/ChatGPT 引擎并内置版面还原），把工程成本换成使用成本。

延伸阅读：PDF 规范中内容流与文本对象的渲染顺序、LayoutParser 版面检测模型、PaddleOCR 版面恢复（PP-Structure）的表格还原方案。