私有化部署翻译工具：安全与合规的实践思考

起因

导师扔过来一篇 47 页的英文综述，要求一周内读完并做组会报告。打开 PDF 一看：双栏排版、满页公式、参考文献交叉引用。复制粘贴出来直接乱码——这种 PDF 大家都见过。

我花了一下午搭了一套工作流，最终拿到了可阅读的双语对照版。把过程记录下来，给同样被 PDF 折磨的学术党参考。

第一步：判断 PDF 类型

不是所有 PDF 都一样。先做一个快速判断：

• 文字型 PDF：能正常复制文字，选中文字时光标是"I"型。这种最友好，直接提取。
• 扫描型 PDF：复制出来是乱码或图片，需要先 OCR。
• 混合型：部分页面是文字、部分是扫描件。最烦，得分开处理。

判断方法：随便复制一段文字粘贴到记事本，能正常显示就是文字型。

第二步：提取文字流

文字型 PDF 直接用工具提取（Python 的 PyPDF2/pdfplumber 都行）。但提取出来的文字有几个坑：

1. 断句问题：PDF 里的换行是"软换行"，提取出来每行一个短句，读起来像诗。需要按段落重新拼接。
2. 双栏串列：左右两栏的文字可能被解析器串在一起。第一段下半句接右栏开头，整段意思全废。
3. 公式丢失：公式通常被提取成乱码或完全消失。

我的做法：提取后先人工扫一遍前三页，看有没有串列。有串列的话，换一个支持双栏识别的解析器（有些工具会自动检测分栏）。

第三步：翻译策略选择

根据文档类型选策略：

综述/教材（重内容）：放弃 PDF 版式，转成 Markdown 翻译。格式松了，翻译质量反而高。公式用 LaTeX 原样保留，图注直接译。

论文（重版式）：走对照式翻译，原文译文分开摆。公式和图表保留原图，只译文字部分。

合同/标书（重格式）：这种最痛苦。我的做法是双份：一份对照译文用来看内容，一份只改关键文字的原文版式副本用来走流程。

第四步：翻译后处理

翻译完不是结束，还有三件事：

1. 术语统一：检查专业术语是否前后一致。同一个概念出现 20 次，如果译法不统一，读起来像多人合译。
2. 公式还原：确认公式没有被"翻译"成中文（见过把 E=mc² 翻译成 E等于mc平方的工具）。
3. 图表标注：图注、表头、坐标轴标签是否都译了。

一个实用技巧

拿到 PDF 后先翻到最复杂的页面（通常是公式+表格+图并存的那页），用这一页试翻一遍。如果这一页能处理好，整篇就没问题；如果这一页就翻车，趁早换工具，别浪费时间。

工具选择

不点名推荐具体工具，只给判断标准：

• 双栏能不能正确切分（拿双栏论文试）
• 公式是还原成 LaTeX 还是直接贴图（还原更好）
• 表格有没有被挤崩（译文变长最容易把表格撑坏）
• 数字、变量名有没有被"顺手翻译"了（这是重灾区）

拿你最麻烦的那份 PDF 试一遍，什么水平立刻见分晓。

做翻译工具的人，天天跟各种 PDF 搏斗。关注我，分享更多文档处理实战经验。