Стадия перевода: мост к book_translator без модификации стороннего репозитория

scripts/translate.py

@@ -0,0 +1,191 @@
+#!/usr/bin/env python3
+"""Перевод XHTML от pdf2html.py через сторонний book_translator (репозиторий не
+модифицируется — используется его штатный CLI и формат файлов).
+
+Схема: наш XHTML -> extracted/chapter_NNN.json + metadata.json ->
+03_translate_parallel.py --all -> translations/chapter_NNN_translated.json ->
+наш XHTML с сохранённой разметкой.
+
+Курсив/полужирный переживают внешний переводчик в виде маркеров ⟦i⟧…⟦/i⟧:
+модель их обычно не трогает. Каждый абзац проверяется на баланс маркеров; при
+поломке абзац сохраняется переведённым, но без внутренней разметки.
+"""
+import argparse
+import html
+import json
+import re
+import subprocess
+import sys
+from pathlib import Path
+
+BLOCK = re.compile(r"^<(p|h1|h2)([^>]*)>(.*)</\1>$")
+TAG = re.compile(r"</?([ib])>")
+MARK = re.compile(r"⟦(/?)([ib])⟧")
+# картинки и пустые блоки не переводим
+SKIP = re.compile(r"<img\b")
+
+
+def detect_language(text):
+    """Грубая эвристика: доля кириллицы против латиницы."""
+    cyr = sum(1 for c in text if "Ѐ" <= c <= "ӿ")
+    lat = sum(1 for c in text if c.isascii() and c.isalpha())
+    total = cyr + lat
+    if total < 200:
+        return "unknown", 0.0
+    share = cyr / total
+    return ("ru" if share > 0.5 else "en"), share
+
+
+def to_marks(s):
+    """Инлайновые теги -> маркеры, HTML-сущности -> обычные символы."""
+    return html.unescape(TAG.sub(lambda m: "⟦%s⟧" % m.group(0)[1:-1], s))
+
+
+def from_marks(s):
+    """Маркеры -> теги. Возвращает (html, ok): ok=False если разметка разъехалась."""
+    escaped = html.escape(s, quote=False)
+    depth = {"i": 0, "b": 0}
+    ok = True
+    for slash, tag in MARK.findall(escaped):
+        depth[tag] += -1 if slash else 1
+        if depth[tag] < 0:
+            ok = False
+    if any(v != 0 for v in depth.values()):
+        ok = False
+    if not ok:
+        return MARK.sub("", escaped), False
+    return MARK.sub(lambda m: "<%s%s>" % (m.group(1), m.group(2)), escaped), True
+
+
+def parse_blocks(path):
+    """[(строка_исходника, tag, attrs, inner)] — только переводимые блоки."""
+    out = []
+    for i, line in enumerate(path.read_text(encoding="utf-8").splitlines()):
+        m = BLOCK.match(line.strip())
+        if m and not SKIP.search(m.group(3)) and m.group(3).strip():
+            out.append((i, m.group(1), m.group(2), m.group(3)))
+    return out
+
+
+def split_chapters(blocks):
+    """Разбивка по h1 — их переводчик держит контекст в пределах главы."""
+    chapters, cur = [], []
+    for b in blocks:
+        if b[1] == "h1" and cur:
+            chapters.append(cur)
+            cur = []
+        cur.append(b)
+    if cur:
+        chapters.append(cur)
+    return chapters
+
+
+def write_input(chapters, extracted):
+    extracted.mkdir(parents=True, exist_ok=True)
+    index = []
+    for n, ch in enumerate(chapters):
+        paragraphs = [to_marks(b[3]) for b in ch]
+        title = re.sub("<[^>]+>", "", ch[0][3])[:120] if ch[0][1] == "h1" else "Часть %d" % n
+        words = sum(len(p.split()) for p in paragraphs)
+        data = {
+            "number": n,
+            "title": title,
+            "paragraphs": paragraphs,
+            "paragraph_count": len(paragraphs),
+            "word_count": words,
+            "char_count": sum(len(p) for p in paragraphs),
+            "source_format": "xhtml",
+            "extraction_method": "pdf2html-bridge",
+        }
+        (extracted / ("chapter_%03d.json" % n)).write_text(
+            json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
+        index.append({"number": n, "title": title,
+                      "paragraph_count": len(paragraphs), "word_count": words})
+    (extracted / "metadata.json").write_text(json.dumps(
+        {"total_chapters": len(chapters),
+         "total_words": sum(c["word_count"] for c in index),
+         "chapters": index, "source_format": "xhtml"},
+        ensure_ascii=False, indent=2), encoding="utf-8")
+    return index
+
+
+def run_translator(repo, workdir, extracted, workers):
+    script = repo / "03_translate_parallel.py"
+    if not script.exists():
+        sys.exit("не найден %s — укажи --repo на клон book_translator" % script)
+    cmd = [sys.executable, str(script), "--all",
+           "--workers", str(workers), "--extracted-dir", str(extracted)]
+    print("запуск:", " ".join(cmd), "(cwd=%s)" % workdir)
+    r = subprocess.run(cmd, cwd=workdir)
+    if r.returncode != 0:
+        sys.exit("book_translator завершился с кодом %d" % r.returncode)
+
+
+def rebuild(src, chapters, workdir, out):
+    lines = src.read_text(encoding="utf-8").splitlines()
+    broken = missing = translated = 0
+    for n, ch in enumerate(chapters):
+        f = workdir / "translations" / ("chapter_%03d_translated.json" % n)
+        if not f.exists():
+            missing += len(ch)
+            continue
+        paragraphs = json.loads(f.read_text(encoding="utf-8"))["paragraphs"]
+        if len(paragraphs) != len(ch):
+            print("глава %d: %d абзацев вместо %d, оставлен оригинал"
+                  % (n, len(paragraphs), len(ch)))
+            missing += len(ch)
+            continue
+        for (idx, tag, attrs, _), text in zip(ch, paragraphs):
+            body, ok = from_marks(text)
+            broken += not ok
+            translated += 1
+            lines[idx] = "<%s%s>%s</%s>" % (tag, attrs, body, tag)
+    out.write_text("\n".join(lines) + "\n", encoding="utf-8")
+    print("переведено блоков: %d, без перевода: %d, разметка потеряна в %d"
+          % (translated, missing, broken))
+    return missing == 0
+
+
+def main():
+    ap = argparse.ArgumentParser(description=__doc__)
+    ap.add_argument("source", type=Path, help="XHTML от pdf2html.py")
+    ap.add_argument("output", type=Path, help="куда писать переведённый XHTML")
+    ap.add_argument("--repo", type=Path, required=True,
+                    help="клон vetermanve/book_translator (не модифицируется)")
+    ap.add_argument("--workdir", type=Path, required=True,
+                    help="рабочий каталог: extracted/ и translations/")
+    ap.add_argument("--workers", type=int, default=12)
+    ap.add_argument("--target", default="ru", help="целевой язык (по умолчанию ru)")
+    ap.add_argument("--force", action="store_true",
+                    help="переводить, даже если книга уже на целевом языке")
+    ap.add_argument("--check-only", action="store_true",
+                    help="только проверить язык и объём, ничего не переводить")
+    args = ap.parse_args()
+
+    blocks = parse_blocks(args.source)
+    if not blocks:
+        sys.exit("в %s нет блоков <p>/<h1>/<h2> — это не вывод pdf2html.py" % args.source)
+    plain = " ".join(re.sub("<[^>]+>", "", b[3]) for b in blocks)
+    lang, share = detect_language(plain)
+    chapters = split_chapters(blocks)
+    print("блоков: %d, глав: %d, знаков: %d" % (len(blocks), len(chapters), len(plain)))
+    print("язык источника: %s (кириллица %.0f%%)" % (lang, share * 100))
+
+    if lang == args.target and not args.force:
+        print("книга уже на языке %s — перевод не требуется (--force чтобы всё равно)"
+              % args.target)
+        return
+    if lang == "unknown":
+        print("язык определить не удалось — продолжаю")
+    if args.check_only:
+        return
+
+    args.workdir.mkdir(parents=True, exist_ok=True)
+    extracted = (args.workdir / "extracted").resolve()
+    write_input(chapters, extracted)
+    run_translator(args.repo.resolve(), args.workdir.resolve(), extracted, args.workers)
+    rebuild(args.source, chapters, args.workdir, args.output)
+
+
+if __name__ == "__main__":
+    main()