[发明专利]一种格式无关的文档翻译方法及系统

说明书

本发明提供了一种格式无关的翻译方法以及基于队列池技术的翻译系统，利用所述方法和系统，译员在翻译过程中感觉就像在操作文档本身一样。系统以WEB应用的形式提供统一的翻译接口，简化了翻译操作性，使译员轻轻松松就可以完成文档的翻译，并保存原文档的格式将译文导出。本发明通过对多个大文件的解析采用了队列池技术，可以根据服务器内存的大小设定队列池的大小，使服务器的资源能得到充分的利用，并保证服务器不会因为并发量过大而卡死。

技术领域

本发明属于翻译技术领域，具体来说，涉及一种格式无关的文档翻译方法以及基于队列池技术的文档翻译系统。

背景技术

随着社会经济的发展，企业国际交流合作的增多，需要翻译的文档数量越来越大，同时，对于译员的翻译要求越来越高。很多情况下，不仅要求译员给出文档的文字部分翻译，还需要译员最终的翻译结果可读性强，例如，要求译文和原文不仅在内容上能够对应，还需要在格式/排版/字体/图片可读性等方面保持一致，最大可能的保留原文原貌。

然而，在实际工作中，待译文档的格式多种多样，比如Word、Excel、PowerPoint、PDF等等；其内容属性各不相同，例如广告、新闻稿、剧本、教科书、合同、专门著作等。由于文档格式、内容属性的不同，导致译员不仅要在文字本身的翻译上下功夫，还需要根据不同待译文档的格式进行相应排版。但是，不同文档的排版要求各不相同，译员很难一一精通所有类型文档的排版，从而耗费了大量的时间，大大降低了工作效率。

虽然现有技术中存在某些文档转换技术，可以实现不同格式文档的文字部分提取，使得译员可以专注于文字部分，但是翻译完成后，译员仅仅获得了文字部分的翻译结果，将翻译结果汇总之后，还是需要进行人工排版工作；

此外，现有的文档转换技术，只能实现某种特定格式文档的单篇文档转换的文字提取，当待译文档数量较多，且类型不一时，一一单篇的转换实现内容提取显然是不现实的。即使先将文档类型归类进行同一类型处理，现有的处理技术亦极易导致资源阻塞，并占用大量内存，使得系统卡死，反而更加影响了后续翻译工作的实现。

发明内容

为解决上述问题，本发明提供了一种格式无关的翻译方法以及基于队列池技术的翻译系统，利用所述方法和系统，译员在翻译过程中感觉就像在操作文档本身一样。系统以WEB应用的形式提供统一的翻译接口，简化了翻译操作性，使译员轻轻松松就可以完成文档的翻译，并保存原文档的格式将译文导出。

在本发明的第一个方面，提供了一种格式无关的文档翻译方法，包括文档解析步骤、文档翻译步骤以及文档导出步骤，其特征在于：

所述文档解析步骤，用于将待译文档转换成HTML文件，同时保留待译文档本身的相关属性，包括待译文档本身的格式、字体样式、图片；还可以包括文档内容的类型，例如广告、新闻稿、剧本、教科书、合同、专门著作等。

具体来说，依序读取当前队列池中的待译文档作为当前待译文档，对所述当前待译文档以段落为单位调用断句接口函数，并返回句子列表结果，再对所述当前待译文档的段落以句子为单位进行唯一ID标记；读取断句后的所述当前待译文档，将所述当前待译文档以页为单位转换成HTML文件。

所述文档翻译步骤，用于将所述HTML文件接入翻译系统，在所述翻译系统中以纯文本的方式呈现给译员进行翻译。翻译系统通过以句子为单位获得的唯一ID标记，以完整的句子为单位，将句子以纯文本的方式呈现给译员进行翻译，译员翻译完成后，将译文以纯文本的方式提交至翻译系统保存。

所述文档导出步骤，用于当译员翻译完成后，将待译文档中的原文替换成译文，并导出翻译后的文档，所述翻译后的文档保留了待译文档本身的所述相关属性。翻译完成后，从翻译系统中获取句子的唯一ID和译文，然后根据句子唯一ID将待译文档中的原文替换成译文。