long-doc-translation

长篇外文（德/英/法/日等）学术专著、古籍、档案、译著的全文高质量中译流水线：解析→清洗切片→建体例与术语表→并行分批翻译→多维质检→合并交付带目录的阅读版。适用于 300 页以上、需要术语全书统一、脚注保留、存疑可追溯的长篇翻译任务。Triggers: 全文翻译 / 翻译全书 / 翻译整本 / 德译中 / 学术翻译 / 长篇翻译 / 译著 / 逐段翻译 / 把这本书译成中文 / translate a whole book / full-text translation of a scholarly monograph.

长篇外文学术著作中译流水线

把一部几百页的外文专著译成「可交付、可核查、术语统一」的中文全稿。核心不是翻译本身，而是让 100+ 个翻译单元在体例与用词上保持一致，并在合并后不出现重复、断裂、未译残留。

源自实战：Dilthey《施莱尔马赫的生平·第2卷》（德文，OCR 底本，800+ 页）→ 141 片段 → 中文全稿 + 带目录导航 HTML，术语对照英文版 Oxford Handbook 与网络检索核校。

---

一、六阶段流水线

阶段	做什么	关键产出
1. 解析	PDF/图片 → 文本（优先 omni-reader 等 OCR 解析；有对照外文版则一并解析）	source/DE_原文.md、source/EN_参考.md
2. 清洗切片	修 OCR 错字、删页眉页脚、按原书结构（非等长）切片，写 manifest	work/chunks/*.txt + manifest.json
3. 建体例与术语	先于翻译：写译者简报 + 多语术语表	TRANSLATOR_BRIEF.md、glossary/DE-EN-ZH.md
4. 并行翻译	主线程译一批 + 子代理并行译其他批（每段仅一个写者）	output/chunks/*.md
5. 质检修复	完整性 / 体例 / 未译残留 / 重复段 / 页边码连续性	scripts/qa_check.py 报告
6. 合并交付	去重合并 → 单一主稿 .md + 增强阅读版 HTML（build_reader.py，搜索/脚注跳转/护眼夜间大字）	译名.md + 译名.html

顺序不可颠倒：阶段 3 必须在阶段 4 之前。边译边定体例 = 全书体例漂移，后期返工量巨大。

---

二、硬性规则（写进译者简报，所有译者/子代理共守）

译者简报 TRANSLATOR_BRIEF.md（必需） 至少规定：

1. 页边码：原书页码单独成行 〔S. XXX〕，保留以便核校与引用。（源文本页码常被打散成 S. 5 3 3，需还原）
2. 强调字体：原文舒展字体（Sperrdruck / 斜体 / 逐字空格）还原为完整文句 + **粗体**，绝不逐字直译。
3. 脚注：保留原编号，正文用上标 ⁷，注文统一移到段末 #### 原注 小节。
4. 残句：片段开头残句用 > 〔承前页〕……，结尾残句照译并以 …… 收尾，不编造补齐。
5. 存疑必标：任何不确定处加 #### 译注，格式 `N. 疑点。原文作「…」；对照版表述「…」；因…暂译作「…」，存疑。宁可多标，不可臆断。
6. 文末三节（每个片段文件都附，便于合并时汇总）：

   text

   #### 原注   （脚注译文）
   #### 译注   （存疑说明）
   #### 新术语 （本篇新定译名：原文 → 中文）
   

术语表 glossary/DE-EN-ZH.md（必需）：三语对照（原文 ⇄ 参照语言 ⇄ 中文）。铁律——同一原文词条全书唯一对应同一中文词；确需变通才在译注说明。建表依据：原书缩写/索引表 + 参照外文版 + 学界通行译法。

---

三、五大陷阱（本次踩过，代价最高）

陷阱 1：切片窗口重叠 → 译文整段重复（最隐蔽、危害最大）

长文本按字符数或页面滑动窗口切片时，相邻片段边界会重叠（本次 024 是 023 的子集窗口，两者各译一遍 → 12 页内容在合并稿里出现两次；022 还逾界译入属 023 的 8 页）。

• 检测：从每个译文提取页边码 〔S. N〕 的首尾，比较相邻片段 本片首 ≤ 上片尾 即重叠。

  bash

  python scripts/overlap_check.py output/chunks  # 输出每片覆盖区间与重叠告警
  

• 修复：保留超集那一片为正本；把子集的独有内容（术语条目、独有注解）并入超集；子集移入 output/chunks/_redundant/（不参与合并，可恢复）。
• 预防：切片时显式记录每片起止页码，杜绝滑动窗口重叠；若工具强制重叠，切片后先跑 overlap_check.py 再开工翻译。

1b. 句级边界重复（更常见、更易漏）：即使不是整段子集，相邻片段也常在边界重叠 1–2 句——A 片末尾译了，B 片开头又译一遍（本次 8 处）。页码级检测看不出来，要靠 qa_check.py 的【6】重复行检测发现。

bash

python scripts/dedup_boundary.py <chunks_dir>           # dry-run，只报告
python scripts/dedup_boundary.py <chunks_dir> --apply   # 确认后修复

策略：保留 A 的完整译文，删 B 开头的重复段；若重复行带页边码，只保留页边码、删句子（页码是核校锚点，不能丢）。

⚠ 删除前必须排除「结构性重复」：源文本身可能有文字相同的两处不同成分——如著作纲要条目的「I. xxx」与正文中舒展字体的正式节标题「I. xxx」（本次 052 即此，两处各自独立，读了源文才敢判定）。判据：回查源文 .txt 确认该句是否真出现两次，不可见重复就删。

陷阱 2：OCR 错字批量替换误伤译注

译注里常写「原文 ζ.B. 应为 z.B.」——这是正确内容，全局替换会把纠错说明一起改掉。

• 解法：逐行判定该行是否位于 #### 原注/译注/新术语 区内，只替换**区外（正文）**的错字。见脚本 note_flags() 逻辑。
• 常见错字映射（德文，按实际底本扩充）：Sdiell→Schell、Erkentnis→Erkenntnis、ζ.B.→z.B.、Audi→Auch、Venunflsystematik→Vernunftsystematik、§SO→§50；上标数字易错（2e→26、2»→29、18 拆成 ¹⁸/¹⁹），需据页底注文校正归位。

陷阱 3：合并后跨片段标题重复

各片段为自洽常重标章名（如「第二章（续）」）→ 目录里同一章出现几十次。

• 解法：按同级标题比较去重（不能用「前一个标题」，中间会夹 ###/#### 子标题），且排除 #### 原注/译注/新术语（level 4 本就每片重复，必须保留）。

陷阱 4：字符数 vs 字节数混淆 → 误判内容重复

wc -c 是字节（UTF-8 中文 ×3），len(str) 是字符。228 万字节 ≈ 76 万字符，看着像「重复了 3 倍」其实正常。对比体量时统一口径。

陷阱 5：子代理产出未校验

• 必查空文件/占位文件（如 < 15 行）；
• 抽查每个子代理至少 1 篇译文的头 25 行，确认体例正确（页边码、承前页、脚注、粗体）；
• 子代理常自报问题（如「024 与 023 内容近乎全同」）——这些自述是发现陷阱 1 的关键线索，务必读子代理的回报。

---

四、并行翻译策略

1. 分片原则：按原书结构（篇章/页码区间）划分批次，每片段有且仅有一个写者，批次严禁重叠。
2. 主线程 + 子代理：主线程译一批（保证体例样板），同时派子代理译其他批。子代理提示词必须包含：
   • 必读 TRANSLATOR_BRIEF.md + glossary/DE-EN-ZH.md + 1 篇紧邻的已译样本（保证风格衔接）；
   • 明确的残句接续说明（上一片末尾残句 + 本片起首如何拼接）；
   • 「只写分配给你的文件，不要改动任何其他文件」。
3. 频率限制（429）：限制期内主线程手动逐片译；恢复后改小批量并行验证可用再放大。

---

五、质检清单（合并前必跑）

bash

python scripts/qa_check.py output/chunks

#	检查项	合格标准
1	片段完整性	译文片段数 == 切片数（或差异有 _redundant 解释）
2	体例三节	每个片段含 #### 原注 / #### 译注 / #### 新术语
3	未译残留	正文无「>60 字符且无中文」的整行外文（书目/广告页除外，应保留原文）
4	OCR 残痕	正文区错字数 == 0（注释区豁免）
5	页边码连续	全稿页码无断档（罗马/阿拉伯分段各自连续）
6	重复段	正文关键句出现次数 == 1（术语表/附录内重复属正常）
7	目录干净	HTML TOC 仅含 2–3 级标题，无 原注/译注 杂项

---

六、脚本模板（scripts/）

脚本	用途
overlap_check.py	页码级切片重叠检测（翻译开工前先跑）— 按「部」分组比较各片页边码首尾；逆序片（索引）自动跳过
qa_check.py	上述 7 项质检（含句级重复行检测），输出可读报告
dedup_boundary.py	句级边界重复清理— 默认 dry-run，--apply 才写盘；重复行带页边码时只删句子、保留码
merge_build.py	同级标题去重合并 → 主稿 MD + 带 TOC 导航的 HTML；并对外暴露 SECTIONS/page_val/sort_terms/collect_doubts/collect_new_terms 等供 build_reader.py 复用（需 pip install markdown pypinyin）
build_reader.py	在 merge_build 之上生成增强阅读版 HTML：脚注正文↔注文双向跳转、全文搜索、原书页码跳转、目录高亮、护眼/夜间/大字主题、单文件自包含可直接发送

推荐顺序：overlap_check.py → 翻译 → qa_check.py → dedup_boundary.py → merge_build.py。

脚本顶部均有 CONFIG 区（页边码正则、错字映射表、标题层级、目录深度、是否跳过索引/书目），按新项目改配置即可复用。

---

六·增强阅读版（build_reader.py，推荐交付形态）

merge_build.py 产出的是「能看」的基础 HTML；build_reader.py 在其之上产出读者真正用得顺手的增强版，二者共用同一份 merge_build 逻辑（脚注上标换算、页码锚点、pypinyin 术语排序、存疑抽取），不在 reader 里另写一份，避免两份实现漂移。

增强版能力：

• 脚注双向跳转：正文上标 ⁷ 点击跳到注文，注文编号点击返回正文（按片段隔离编号，仅链接可配对项，避免死链）。
• 全文搜索：TreeWalker 遍历文本节点，高亮命中 + 上/下一处 + 快捷键 / 聚焦、n/p 切换、Esc 清除。
• 原书页码跳转：输入 537 → 定位〔S. 537〕；无精确页时落最近页并提示。
• 目录高亮：IntersectionObserver 随滚动高亮当前章，层级可折叠。
• 阅读设置（localStorage 记忆）：字号 A−/A＋（13–32px）、行宽、大字老年友好模式（字号≥23px + 行距 2.2 + 加宽 + 放大顶栏控件）、主题循环 日间 ▸ 护眼 ▸ 夜间（护眼=柔和豆沙绿降低眩光，夜间=深色）。

关键工程决策（下次直接照做，别再摸索）：

1. 单文件自包含：CSS/JS 全部内联，不引外部 CDN/字体/图片 → 一个 .html 离线可用、可直接微信/邮件发给任何人。文件名用中文无妨。
2. 术语表按拼音排序：用 pypinyin.lazy_pinyin 对中文主词排序，西文条目按拉丁字母排并置于末尾；不要按 Unicode 码点排（中文会乱序）。
3. 页边码正则要宽：〔S\.\s*(\d{1,3}|[IVXLCDM]{1,8})(?:\s*(?:续|末|f{1,2}))?\s*〕 —— 同时覆盖阿拉伯数字（正文）与罗马数字（前处理/目次），并兼容 OCR 变体「… 续/末」。
4. 脚注 id 唯一：同一编号在正文多次引用时，用 n-{name}-{n}-{k} 计数后缀避免 id 重复；正文未实际引用某编号（OCR 脱落）时注文不生成返回链接，避免死链。
5. 中文默认字号 18px 起，正文用衬线（宋体/思源宋体），强调用 **粗体** 对应原版 Sperrdruck。

用法：python merge_build.py [chunks_dir] [out_prefix] 先出主稿，再 python build_reader.py（路径用环境变量 LB_BASE 指定工作根，默认当前目录；输出 output/译著阅读版.html）。

---

七、交付

• 主稿 *.md（单一文件，便于再加工/转 docx）；
• 阅读版 *.html（左侧固定目录，点击跳转，适合通读与检索）；
• 保留 output/chunks/*.md 逐片译文备查；
• 术语附录：合并时把各片 #### 新术语 汇总为文末「全书新术语总表」。

八、经验参数（本次实测）

• 800+ 页德文专著 → 141 片段（按结构切，非等长）→ 中译全稿 95.8 万字符 / 228 万字节。 ⚠ 别按「中文 3 字节」折算：正文夹大量德文引文、数字与标点，实测 1 字符 ≈ 2.4 字节。体量对比必须统一口径（见陷阱 4）。
• 有效提速组合：主线程译样板批 → 3 个子代理并行各译 10–17 片 → 质检修复 → 合并。
• 合并后实际修掉的问题（可作为同类项目的预期基线）：
  • 整段重复 2 处（022/023、023/024，子集窗口，约 20 页冗余）；
  • 句级边界重复 8 处（每处 1–2 句，源切片边界重叠）；
  • 体例三节缺失 11 个文件（多为缺「新术语」节，补「（无）」即可）；
  • 正文 OCR 残痕 5 处（ζ.B.→z.B.）。

九、交付后仍应保留的「已知轻微接缝」

切片边界不可避免会有 1–3 页的页码接缝（本次 32 处），以及 >3 页的疑似断档（12 处，多为原书图表页或无页边码页）。逐处强改代价高、收益低，建议在交付说明中如实列出，交由使用者据底本核对。