PDF 保排版翻译的技术实现：文本层定位、块级替换与字号自适应

系列第四篇，讲最难的一块：PDF 保排版翻译。网页翻译处理的是结构化 DOM，PDF 面对的是绝对坐标的文本层——思路完全不同。

一、PDF 的特殊性

PDF 不是「文档」而是「绘制指令集」。每个字符都有坐标，没有段落、没有语义结构，双栏论文的左右栏在文本层里可能交错存储。这就是为什么很多翻译工具翻 PDF 会乱：它们按文本流顺序翻译，而文本流顺序 ≠ 视觉阅读顺序。

二、文本层定位

我们的处理流程分四步：

1. 字符聚类：按坐标把字符聚合成行，行聚合成块（视觉段落）
2. 栏检测：按块的 x 分布切分双栏/多栏，恢复阅读顺序
3. 过滤：页眉页脚、页码、图表内文字识别出来单独处理（图表文字通常不翻）
4. 公式保护：数学公式区域（通过字体特征识别）标记为不可翻译块

三、译文回填的三个约束

翻译完的文本要塞回原来的位置，三个硬约束：

• 不溢出：译文字号自适应块高。中文通常比英文短（信息密度高），多数块没问题；少数英文缩写展开变长的块，缩字号兜底，宁可小不能遮
• 不遮挡：译文层绘制在原文字层上方，但图表和公式区域必须跳过
• 保样式：原文字体是粗体/斜体，译文跟随（数学环境的斜体变量名除外——它们被公式保护跳过了）

四、工程细节

渲染用 PDF.js 解析 + Canvas 叠加译文层，导出时重建 PDF。实测一篇 30 页双栏论文，定位+翻译+回填全流程 40 秒左右，首屏渲染 300 毫秒内。

结语

保排版的本质是尊重原始版面作为语义的一部分——论文的版面本身就是信息（栏对应章节结构、图表位置对应论述位置）。破坏版面的翻译，损失的不只是美观。

（技术实践来自随心翻译的 PDF 翻译模块。）