意扣
Equalang 笔记

PDF 一翻译排版就乱？因为它通常不像 Word 那样标出段落和表格

意扣

导读

大多数 PDF 不像 Word 那样标出哪些字是一段、哪些字属于一张表。我们以两篇论文为例，看翻译工具拿到了什么，比较几种翻译方法，再列出译完该检查的四个地方。

Word 文件会记下哪些字是一段、哪些字属于一张表。大多数 PDF 不记这些，只记一个个字，以及每个字该画在页面上的哪个位置；段落、表格、句子，都是读的人自己看出来的。有的 PDF 带有给读屏软件用的无障碍标签，粗略标出了段落和表格，但很多没有，所以翻译工具不能指望它们。下面作为例子的两篇论文就没有这些标签。

你看到的双栏排版、跨列的表头、跨页的句子，都得重新拼出来才能翻译。翻完以后，长短不同的译文还得塞回原来的位置。排版变乱，基本都出在这两步。

怎么处理，取决于你手上有什么：

  • 有生成这份 PDF 的 Word、PPT 原文件：直接翻原文件，别翻 PDF。
  • 简单的文字 PDF，表格不多，文件不大：谷歌翻译的文档功能最省事（在中国大陆需要能访问谷歌）。
  • 论文、说明书、报告，有表格、公式或双栏排版：用会重建版面的文档翻译，翻完后检查第 3 节列出的四个地方。
  • 扫描件（在阅读器里选不中文字）：得先识别出文字才能翻。DeepL 收扫描件，并自己处理这一步；谷歌翻译会把扫描页原样留着不翻。

1. 翻译工具从 PDF 里「看到」的是什么？

我们自己做文档翻译，天天和 PDF 里的文字打交道。为了让你看清楚，我们从 arXiv 下载了两篇论文，LLaMA 和 Mistral 7B，并用开源工具 MuPDF 的 mutool 提取了其中的文字。一个工具如果不识别版面结构，它拿去翻的大致就是这样的文字。下面每一处，先看它在页面上的样子，再看提取出来的结果（单独一行的 … 表示省略了若干行）。

1.1 表格变成一列数字

LLaMA 论文的表 3 比较了 10 个模型在 8 项测试上的成绩：

LLaMA 论文的表 3，比较 10 个模型在 8 项测试上的成绩，GPT-3 那一行标黄
LLaMA 论文第 4 页，表 3

提出来以后是 102 行：5 行表头，然后一行一个值。下面是前 16 行，从 GPT-3 到 57.6 这 10 行就是图里标黄的那一行。

BoolQ
PIQA
SIQA HellaSwag WinoGrande ARC-e
ARC-c
OBQA
GPT-3
175B
60.5
81.0
-
78.9
70.2
68.8
51.4
57.6
Gopher

单看文字，完全不知道哪个数字对应哪一项测试。如果把这些粘贴进翻译框，拿回来的还是一列数字。字翻了，表格却没了。

1.2 一句话中间，夹着一整张表

LLaMA 第 3 页的最后一句，停在「we need to」：

第 3 页右栏末尾，没写完的那句话标黄
LLaMA 论文第 3 页：右栏末尾，句子停在半截

后半句跑到第 4 页表 3 下方左栏的开头：

第 4 页表 3 的末尾和表题，下面接着的后半句标黄
LLaMA 论文第 4 页：后半句在表 3 下方

在提取出来的文字里，一条脚注、一次分页、表 3 的全部 102 行和表题，统统夹在这一句话中间：

To fully benefit from this optimization, we need to
2https://github.com/facebookresearch/xformers
BoolQ
PIQA
…
Table 3: Zero-shot performance on Common Sense Reasoning tasks.
reduce the memory usage of the model by using

两页之后又来了一次：第 5 页停在「…the textual description and tests in a」，而「docstring.」要到第 6 页表 7 的下面才出现，中间隔着表 7 的 44 行和 7 行表题。

如果工具按页翻，或者照提取顺序翻，它拿到的就是两截看似互不相干的残句。反映在译文里，就是一页末尾话没说完，另一半句子莫名其妙地掉在了下一页的表格下面。

1.3 下标和分数变成了别的东西

Mistral 论文里，有个变量写作 h 带下标 i：

Mistral 7B 论文里的一行，带下标 i 的 h 标黄
Mistral 7B 论文第 2 页：带下标的 hᵢ

文字提出来后，下标没了，只剩 hi：

former to attend information beyond the window size W. The hidden
state in position i of the layer k, hi, attends to all hidden states from

翻译工具没有理由把它当成变量，在它眼里，这就是一个普通的英文单词「hi」。

分数的情况更糟。LLaMA 论文里有一处数值是 4d 的三分之二，写作 ⅔·4d，其中的 ⅔ 是上下叠排的分数：

LLaMA 论文里的两行，叠排的分数三分之二个 4d 标黄
LLaMA 论文第 3 页：叠排的分数 ⅔·4d
improve the performance. We use a dimension of
2
34d instead of 4d as in PaLM.

三分之二个 4d，变成了 34d。上标、分数线、数学字体里的符号，在 PDF 里都只是摆在特定位置的一个个小图形。文字一旦提出来，这些字还在，位置却丢了。

1.4 单词在行尾被拆开

双栏排版的论文为了左右对齐，会大量在行尾断词。LLaMA 这一篇里，有 242 处普通单词被连字符断开。你可能会想，把连字符删掉、两半拼回去不就行了？但遇到名字里本来就有的连字符，这招就不管用了：

LLaMA 摘要开头，founda-tion 和 LLaMA-65B 两处断行标黄
LLaMA 论文第 1 页：行尾的两个连字符，只有一个该删
We introduce LLaMA, a collection of founda-
tion language models ranging from 7B to 65B
…
(175B) on most benchmarks, and LLaMA-
65B is competitive with the best models,

founda- 和 tion 确实要去掉连字符才是一个词。但 LLaMA- 和 65B 之间的连字符是模型名字的一部分，删了反而是错的。

我们只用一种提取工具，试了两篇用 LaTeX（学术界常用的排版软件）排出来的论文。Word 导出的 PDF、扫描件或是其他提取工具，输出结果可能不一样，但要找的就是这四类问题。

2. 有哪几种翻译方法？

办法长处限制
复制粘贴到翻译框免费，马上就能用表格、公式、版面全丢，句子常被截断
谷歌翻译的「文档」功能免费；收 .docx、.pdf、.pptx、.xlsx10 MB、300 页以内；图片和扫描页里的字不翻；手机和小屏设备不能用；在中国大陆需要能访问谷歌
DeepL 文档翻译网页版、桌面版都能用，也有 API；收扫描件；Pro Advanced、Ultimate、Team、Business 套餐可以把译好的 PDF 下载成可编辑的 Word需要注册账号，每月能翻多少份看套餐；不支持 CAD 导出的 PDF（如平面图）
先转 Word 再翻翻之前可以先在 Word 里改转换时转错的地方，翻完照样是错的
会重建版面的文档翻译把表格、公式、跨页的句子当成结构来处理做不到和原版一模一样：译文变长，换行和字号也会跟着变

谷歌和 DeepL 的情况来自它们自己的帮助页（2026 年 10 月 7 日查看）。DeepL 还在帮助页里建议：如果对 PDF 译文不满意，可以试试上传原始文档（如 .docx、.pptx）再翻。这也和我们开头的建议一致。

表格里的最后一种办法，正是意扣翻译（Equalang翻译）的文档翻译功能要解决的问题，也是我们最熟悉的一种做法。它在翻译前，会先把被分页截断的句子拼回完整的一句；合并过的单元格、多行表头会按原本的结构重建，而不是拍平成一列；公式也不会当作乱码丢弃，遇到夹在文字中间、难处理的公式，可以打开公式优化。

它做不到和原版一模一样：译文比原文长，换行和字号就会变，所以原本排得很满的页面，翻完还是值得再看一眼。文档翻译目前支持中文、英文、日语、韩语、西班牙语、法语等多种语言。

3. 翻译完成后，检查这四处

  1. 表格：表头还在对应的列上吗？数字有没有变？
  2. 分页处和表格下方：读一读每页的最后一行，以及每张表下面紧接着的那句话。话说了一半就没了下文，是文本被切开翻译留下的最常见痕迹。
  3. 公式和变量：抽查几个夹在文字中间的公式。看有没有字母被当成单词翻掉了，或者分数变成了别的数字。
  4. 页数和链接：如果翻完的页数和原来差很多，说明有文字丢了或者挤出了原本的页面。试着点一两条目录，看能不能跳到对的地方。

参考资料

  • Touvron 等，《LLaMA: Open and Efficient Foundation Language Models》，arXiv:2302.13971v1，CC BY 4.0 许可。
  • Jiang 等，《Mistral 7B》，arXiv:2310.06825v1，CC BY 4.0 许可。
  • 谷歌翻译帮助中心，Translate documents & websites，2026 年 10 月 7 日查看。
  • DeepL 帮助中心，Translate PDF files，2026 年 10 月 7 日查看。
  • 实测方法：2026 年 10 月 7 日用 MuPDF 1.25.6 提取文字，命令 mutool draw -q -F txt -o out.txt in.pdf。文中配图截自两篇论文的原页面，标黄是我们加的。