保留原文格式的翻译平台实现原理？

[whats]

互联网存在大量文件翻译网站，支持 pdf 、word 、excel 、html 、markdown 等文件的在线翻译，且都能较好的保留原文的格式。
因我是 java 技术栈，想实现类似的功能，通过 pdfbox 、poi 等工具，提取内容，翻译完以后再写入文件，翻译本身没问题，但是格式容易丢或者乱。
有人了解一般这种保留格式翻译的实现原理吗？

[ty10086]

这个是个专业的活儿。
不仅涉及提取、还涉及一个“对齐”，才能解决“格式容易丢或者乱”。

我这边有用小软件可以用。但是如果你要自己实现，可以参考 trados 相关原理，它处理得很好。

[Pteromyini]

这是个很专业的活计，有兴趣可以了解下这个 demo
https://huggingface.co/spaces/Nymbo/PaddleOCR

[Fatinora]

我写过几个类似的输出功能，基本的原理的就是从原文中提取有效的片段，记录该片段的 seek 与 size ，组成中间数据格式来方便处理，比如翻译。
处理好之后开始输出，依次遍历中间数据格式，根据之前输入时记录的 seek 与 size ，将原文与修改好的片段进行结合。
https://github.com/MapoMagpie/rimedm/blob/3533a0836b9a27b79b52d4d72591e1f2e71d0944/dict/output.go#L79

[koto]

CAT 干的活吧，有个开源的 CAT 软件叫啥来着。。。说不定可以参考一下

[koto]

OmegaT ？

[whats]

@Pteromyini 这种 AI-CV 的方式对复杂格式文档的解析似乎不错，我们尝试下