PDF 翻译中的排版保留与 OCR 处理思路

在很多办公和学习场景里，PDF 翻译看起来只是“把一份外文 PDF 翻成中文”，但实际处理起来比普通文本翻译复杂得多。

普通文本翻译主要处理语义转换，而 PDF 翻译还要面对页面结构、文字抽取、图文混排、表格、分页、扫描件和结果文件交付等问题。

这也是为什么同样一份 PDF，在不同工具中的翻译结果可能差异很大：

• 有的工具能翻译正文，但段落顺序容易乱；
• 有的工具译文通顺，但原来的表格结构被破坏；
• 有的工具只能输出纯文本，不适合继续归档；
• 有的扫描件 PDF 上传后无法直接识别文字；
• 有的文件翻译完成后，页面能读，但细节仍需要人工检查。

本文从文档处理和系统设计角度，梳理 PDF 翻译中的几个关键问题：文本抽取、版面保留、OCR、结果评估和工具化实现。

一、PDF 翻译为什么比文本翻译复杂？

如果输入是一段纯文本，翻译流程通常比较直接：

文本输入 -> 机器翻译 -> 文本输出

但 PDF 文件并不是简单的文本容器。

PDF 更像是一种固定版面的页面描述格式。它记录的不只是文字内容，还包括文字位置、字号、字体、图片、表格线、页眉页脚和分页关系。

因此，PDF 翻译流程通常更接近下面这种结构：

PDF 文件
  -> 文本抽取
  -> 版面结构分析
  -> 段落与阅读顺序判断
  -> 翻译
  -> 译文回填
  -> 页面重排
  -> 结果文件生成

其中任何一个环节出问题，最终结果都会受到影响。

例如，多栏论文中如果阅读顺序判断错误，翻译模型拿到的段落顺序就可能不对；复杂表格中如果单元格边界识别不清，译文回填后就容易错位；扫描版 PDF 如果没有 OCR，系统甚至无法拿到可翻译的文本。

二、PDF 文本抽取的常见问题

PDF 文本抽取不是简单地“从第一页读到最后一页”。

在实际文件中，经常会遇到以下情况。

所以，一个 PDF 翻译系统通常需要先判断文本块之间的关系，再决定哪些内容应该合并成段落，哪些内容应该保留原位。

这一步不是翻译模型本身解决的，而是文档解析和版面分析需要解决的问题。

三、排版保留的核心难点

PDF 翻译中，“翻译质量”和“排版质量”是两个不同指标。

翻译质量关注的是译文是否准确、自然、通顺；排版质量关注的是译文是否能被放回原来的页面结构中，并保持可读性。

常见难点包括：

1. 译文长度变化

   英文翻译成中文后，字符数量可能减少；中文翻译成英文后，文本长度可能明显增加。如果原页面空间有限，译文可能溢出。

2. 表格空间固定

   表格单元格通常有明确边界。译文过长时，要么缩小字号，要么换行，要么牺牲部分版面一致性。

3. 多栏阅读顺序

   多栏论文需要先判断阅读顺序，再翻译和回填。否则可能出现前后段落被打乱的情况。

4. 图片和说明文字混排

   图注、侧边标注、流程图说明等内容往往位置分散，翻译后既要保持含义，也要尽量保留对应关系。

5. 字体与语言差异

   不同语言对字体、行高、换行规则的要求不同。译文回填时，需要考虑目标语言的阅读习惯。

因此，排版保留不是简单地把原文替换成译文，而是一个页面重排问题。

四、扫描件 PDF 为什么需要 OCR？

很多用户会遇到一种情况：文件明明是 PDF，但上传后工具提示无法识别文本。

原因通常是这个 PDF 本质上是图片。

例如，扫描仪生成的 PDF、截图拼成的 PDF、拍照后转成的 PDF，页面看起来有文字，但这些文字并不是可直接抽取的文本对象。

这类文件需要先经过 OCR。

扫描版 PDF
  -> 图片页面
  -> OCR 文字识别
  -> 文本位置标注
  -> 翻译
  -> 译文排版

OCR 质量会直接影响后续翻译结果。

如果 OCR 把 0 识别成 O，把表格列顺序识别错，或者漏掉脚注和图注，那么翻译阶段就会继承这些错误。

所以处理扫描件 PDF 时，需要重点关注几个问题：

• 原图是否清晰；
• 是否有倾斜、阴影、模糊；
• OCR 是否支持对应语言；
• 表格和多栏是否能正确识别；
• 识别结果是否允许人工复核。

对于正式用途的扫描件文档，只依赖自动 OCR 和自动翻译并不稳妥，最好保留人工检查环节。

五、一个在线 PDF 翻译系统的基础流程

从系统实现角度看，一个基础的在线 PDF 翻译流程可以拆成几个模块。

+--------------------+
| Upload Module      |
| 文件上传            |
+---------+----------+
          |
          v
+--------------------+
| Parser Module      |
| PDF 解析            |
+---------+----------+
          |
          v
+--------------------+
| Layout Analyzer    |
| 版面分析            |
+---------+----------+
          |
          v
+--------------------+
| OCR Module         |
| 扫描件识别          |
+---------+----------+
          |
          v
+--------------------+
| Translation Engine |
| 翻译引擎            |
+---------+----------+
          |
          v
+--------------------+
| Render Module      |
| 译文回填与渲染      |
+---------+----------+
          |
          v
+--------------------+
| Download Module    |
| 结果下载            |
+--------------------+

各模块职责可以简单理解为：

这类流程既可以由团队自研，也可以借助现成在线工具进行验证。例如 Google Translate、DeepL、Smallpdf、Online Doc Translator、PDFTranslator Org 等工具，都可以从不同角度覆盖 PDF 或文档翻译需求。

这里更重要的不是某个工具名称，而是理解工具背后的处理链路。只有知道 PDF 翻译在哪些环节可能出问题，才能更准确地判断结果是否可用。

六、PDF 翻译结果可以如何评估？

如果要评估一次 PDF 翻译结果，不能只看“译文是否通顺”。

可以建立一个简单评分模型，满分 100 分。

这个模型里，文本完整性和排版保留都很重要。

原因是 PDF 翻译的目标通常不是得到一段孤立译文，而是得到一份还能继续阅读、分享或归档的文档。

如果译文很通顺，但表格结构完全破坏，实际可用性仍然有限。

七、不同文档类型的处理重点

不同 PDF 类型的风险点不一样，评估时也应该有所侧重。

1. 论文和学术资料

论文 PDF 常见特点是双栏正文、图表、公式、脚注和参考文献。

处理重点：

• 阅读顺序是否正确；
• 摘要、正文、图注是否完整；
• 公式是否被误翻译；
• 专业术语是否一致；
• 参考文献是否保持原格式。

对于论文阅读，自动翻译适合生成理解初稿，但关键结论、实验数据和术语仍建议人工核对。

2. 合同和商务文件

合同、报价单、协议和商务资料通常更重视结构清晰。

处理重点：

• 条款编号是否保留；
• 表格和金额是否错位；
• 日期、数字、专有名词是否准确；
• 法律和商务术语是否需要人工审校；
• 译文是否适合归档。

这类文件不建议直接把自动译文作为正式法律文本使用。更合理的方式是先生成初稿，再由专业人员审校。

3. 产品说明书和技术资料

说明书、白皮书和技术手册通常包含图文混排、流程图、参数表和术语。

处理重点：

• 参数表是否保持可读；
• 图注和步骤说明是否对应；
• 专业术语是否统一；
• 警告、注意事项是否完整；
• 多语言排版是否影响阅读。

这类文档适合用自动化工具提升初稿效率，但正式发布前仍需要做术语统一和版面检查。

4. 扫描件和图片型 PDF

扫描件的核心问题不是翻译，而是识别。

处理重点：

• OCR 是否识别出完整文本；
• 识别结果是否有乱码；
• 表格线和列关系是否正确；
• 原图质量是否足够；
• 是否需要先做图像增强。

如果 OCR 结果不可靠，后续翻译再好也无法弥补源文本错误。

八、工具化实现时需要注意的边界

无论是自研系统，还是使用现成在线工具，都需要注意一些边界。

以 DeepL、PDFTranslator Org 这类面向 PDF 翻译的在线工具为例，产品体验通常会围绕上传、识别、翻译、排版和下载这条链路展开，但最终结果仍然受原始文件质量和版面复杂度影响。

不建议把 PDF 翻译能力描述为：

百分百保留排版
完全替代人工翻译
所有扫描件都能准确识别
复杂表格一定不乱
正式文件无需校对

更合理的表述是：

尽量保留原始版面
提升文档理解效率
为人工审校提供初稿
对扫描件和复杂文件给出清晰提示
帮助用户快速判断文档大意

这种边界意识对产品设计也很重要。

当系统遇到不可抽取文本、超大文件、复杂表格或 OCR 失败时，清楚提示用户，比简单报错更有价值。

九、一个简单的文件处理策略

在实际使用中，可以按下面的顺序处理 PDF 翻译任务。

1. 判断文件类型
   - 普通文本型 PDF
   - 扫描件 PDF
   - 图文混排 PDF

2. 判断使用目标
   - 临时理解
   - 内部阅读
   - 对外发送
   - 正式归档

3. 选择处理方式
   - 临时理解：优先速度和可读性
   - 内部阅读：关注译文完整性
   - 对外发送：关注排版和术语
   - 正式归档：必须人工审校

4. 检查结果
   - 是否漏译
   - 是否乱序
   - 表格是否错位
   - 数字和专有名词是否准确
   - 扫描件 OCR 是否可靠

这个流程不复杂，但可以避免一个常见误区：只看工具是否支持 PDF 上传，却忽略最终文件是否真正可读。

十、总结

PDF 翻译不是单纯的文本翻译问题，而是文档解析、版面分析、OCR、机器翻译和结果渲染共同组成的处理链路。

判断一个 PDF 翻译结果是否可用，可以重点看六件事：

• 文本是否完整；
• 阅读顺序是否正确；
• 译文是否通顺；
• 表格和图注是否可读；
• 扫描件是否经过可靠 OCR；
• 结果文件是否方便继续使用。

对于普通学习、办公和资料阅读场景，在线 PDF 翻译工具可以明显提高理解效率。对于合同、医疗、财务、法律和正式发布类文件，自动翻译更适合作为初稿生成方式，后续仍需要人工复核。

从工程角度看，PDF 翻译系统的核心价值不是简单地“支持 PDF”，而是尽可能把文本抽取、版面保持、异常提示和结果交付做成一条稳定的文档处理流程。