Dla kogo ·
Czysty tekst źródłowy dla narzędzia CAT
Tekst źródłowy wklejony ze strony internetowej przynosi ze sobą nawigację, a każda pozycja menu staje się segmentem, który trzeba pominąć, policzyć i w końcu wytłumaczyć na fakturze. Clean Web Clipper usuwa ją, zanim plik w ogóle zbliży się do twojego narzędzia.
Skąd te liczby: pomiar z wersjami silników i datami
Segmenty, które nie są tekstem
Importujesz stronę, a projekt otwiera się sześćdziesięcioma segmentami przed pierwszym zdaniem właściwego tekstu: „Przejdź do treści”, „Zaloguj się”, dziewięć kategorii produktów, komunikat o ciasteczkach i przełącznik języków z trzydziestoma pozycjami. Nic z tego nie jest treścią do przetłumaczenia, ale wszystko jest w pliku, w liczbie słów i musi zostać zablokowane albo usunięte segment po segmencie.
Do tego dochodzą powtórzenia. Ten sam blok menu pojawia się w każdej sekcji i jeszcze raz w stopce, więc pamięć tłumaczeniowa zasilona tym plikiem zaczyna proponować „Czytaj dalej” jako dopasowanie do prawdziwych zdań. Oczyszczenie źródła przed importem zajmuje sekundy. Oczyszczenie pamięci tłumaczeniowej po fakcie – nie.
Kłopoty zaczynają się, zanim ruszy zlecenie. Masz wycenić „tę stronę”, a podana liczba zależy wyłącznie od tego, co policzyłeś – liczba słów z surowej strony obejmuje menu, a liczba po oczyszczeniu już nie, i nikt nie lubi prowadzić tej rozmowy dwa razy. Potem klient redaguje stronę, gdy nad nią pracujesz. Plik zapisany w dniu wyceny, z adresem i własną datą strony w nagłówku, rozstrzyga obie sprawy, i nikt nie musi pamiętać, jak strona wtedy wyglądała.
Co trafia na listę segmentów
- Menu, paginacja, paski zgody i kanały „czytaj dalej” są wycinane, zanim plik powstanie.
- Powtórzona nawigacja zredukowana mniej więcej czterokrotnie wobec porównywanych silników: 102 powtórzone linie wobec 282, 478 i 491.
- Ani jednego resztkowego znacznika HTML na 512 sprawdzonych stronach, więc żaden zabłąkany znacznik nie zamieni się w tag wewnątrzsegmentowy.
- Formatowanie w tekście przechodzi na Markdown – pogrubienie, kursywa, odnośniki, kod i listy – który importuje każde duże narzędzie CAT.
- Adres źródła jedzie we frontmatterze, więc kontekst segmentu jest o jedno kliknięcie.
- Sprawdzone na 403 stronach z pięćdziesięciu najpopularniejszych witryn dwunastu krajów europejskich, każda przechwycona w swoim języku: bez awarii.
- Nagłówki, listy i cytaty blokowe zachowują poziom, więc struktura, którą ma odwzorować tłumaczenie, jest widoczna w pliku źródłowym, a nie odgadywana z segmentów.
titleidatepochodzą z metadanych samej strony, więc folder zlecenia zapisuje, do której wersji źródła odnosiła się wycena.
# Zasady wystawiania zaświadczeń ## Kto może złożyć wniosek Pierwszy akapit właściwej treści. ## Wymagane dokumenty - dokument tożsamości - potwierdzenie opłaty Bez paska „Serwis Rzeczypospolitej Polskiej”, bez menu resortów i bez stopki powtórzonej przy każdej sekcji – czyli bez trzystu segmentów, które i tak trzeba by pominąć.
Przygotowanie pliku źródłowego
Celem jest plik, który otwiera się w narzędziu tak, że pierwszym segmentem jest pierwsze zdanie tekstu. Większość tej pracy robią dwa ustawienia, a jedno z nich łatwo ustawić źle.
- Z ikony rozszerzenia otwórz Opcje i wskaż folder, w którym leży zlecenie –
zlecenia/klient/zrodlo. Plik źródłowy należy do zlecenia, a nie do ogólnego folderu z wycinkami. - Ustaw kliknięcie ikony na „pobierz plik
.md” albo „zapisz do folderu”, zależnie od tego, jak obchodzisz się z plikami. W obu przypadkach dostajesz plik do importu, a nie schowek, który trzeba najpierw gdzieś wkleić. - Ustaw wzorzec nazwy na
{date}-{domain}-{title}. Data przechwycenia to to, na co wskazujesz, gdy strona klienta zmieniła się od czasu wyceny. - Wyłącz pola frontmattera, jeśli importujesz plik bezpośrednio. Nagłówek YAML to tekst, a narzędzie, które go nie rozpozna, chętnie zaproponuje
extraction: "dom"jako segment do przetłumaczenia. - Przestaw obrazy na pomijaj. Odnośnik do obrazu w Markdownie staje się segmentem albo tagiem wewnątrzsegmentowym, który trzeba nieść przez cały plik, a obraz nie jest częścią tekstu.
- Gdy zakres obejmuje jedną sekcję, zaznacz ją na stronie i zapisz zaznaczenie. Wycena sekcji i oddanie całej strony to nieporozumienie, które zaczyna się w chwili przechwycenia.
- Zapisz stronę w dniu wyceny i zachowaj plik. To jedyny zapis źródła w stanie, w jakim było, gdy ustalano cenę.
Ustawienia pod plik źródłowy
Pułapką jest wiersz frontmattera. Cała reszta służy temu, żeby na liście segmentów był tylko właściwy tekst.
| Ustawienie | Wartość | Dlaczego właśnie tak |
|---|---|---|
| Kliknięcie ikony | pobierz .md | Chcesz pliku do importu, a nie schowka do wklejania |
| Frontmatter | wszystkie pola wyłączone przy imporcie bezpośrednim | Nagłówek YAML to tekst; narzędzie, które go nie pominie, poda go jako segmenty |
| Obrazy | pomijaj | Odnośnik do obrazu staje się segmentem albo tagiem dla czegoś, co nie jest tekstem |
| Wzorzec nazwy | {date}-{domain}-{title} | Utrwala, na której wersji strony klienta oparto wycenę |
| Folder docelowy | folder zlecenia | Źródło należy do zlecenia i zostaje w nim, gdy strona się zmienia |
| Zaznaczenie | zapisz sekcję objętą zakresem | Rozrost zakresu często zaczyna się od przechwycenia całej strony |
| Reguła dla witryny | domena klienta → podfolder zlecenia, obrazy pomijane | Przy stałych klientach decyzja przestaje być potrzebna za każdym razem |
Plan **podstawowy** obejmuje *do pięciu* stanowisk. Kolejne rozlicza się miesięcznie; zobacz [stronę z warunkami](https://przyklad.pl/warunki) albo ustaw `SEATS` w pliku konfiguracyjnym. - Stanowisko można przepisać raz w okresie rozliczeniowym. - Niewykorzystane stanowiska nie przechodzą na kolejny okres. Cztery znaczniki wewnątrzsegmentowe w jednym zdaniu: pogrubienie, kursywa, odnośnik i kod. Każdy ma odpowiednik w Markdownie, który narzędzie CAT wciąga jako tag, zamiast rozbijać segment.
Trzy zlecenia
Wycena oparta na tekście, nie na obudowie
Klient przysyła adres i prosi o cenę. Zapisujesz stronę – menu, przełącznik języków z trzydziestoma pozycjami, komunikat o zgodzie i stopka znikają, zanim plik powstanie, więc wyceniasz liczbę słów tekstu, który naprawdę trzeba przetłumaczyć.
Zmierzoną wersją tego jest powtórzona nawigacja: 102 powtórzone linie na korpusie 109 stron, wobec 282, 478 i 491 w porównywanych silnikach. Na stronie, której menu powtarza się w każdej sekcji, to większość różnicy między dwiema wycenami tego samego zlecenia.
Strona, która zmieniła się w trakcie zlecenia
Trzeciego dnia klient wspomina, że dział marketingu „coś tam poprawił”. Zapisujesz stronę ponownie; drugi plik dostaje sufiks liczbowy, a porównanie z plikiem, na którym opierała się wycena, pokazuje dwa nowe akapity i zmieniony nagłówek.
To rozmowa o zakresie z dokumentem w ręku, a nie spór o to, kto co pamięta. Data przechwycenia w nazwie każdego pliku mówi, który jest który, a pole date – co strona twierdziła o sobie za każdym razem.
Dwujęzyczny materiał referencyjny z działającej witryny
Witryna klienta istnieje już po niemiecku. Zapisujesz stronę polską i niemiecką, jedną po drugiej, do tego samego folderu zlecenia. Wydobycie nie zależy od języka tekstu, więc obie wychodzą z tą samą czystą strukturą, z tymi samymi nagłówkami w tej samej kolejności.
Zmierzono to celowo: 403 strony z pięćdziesięciu najpopularniejszych witryn dwunastu krajów europejskich, każda przechwycona w przeglądarce ustawionej na język danego kraju, bez awarii i bez resztek HTML w którejkolwiek z nich. Wyrównanie dwóch czystych plików to praca; wyrównanie dwóch plików pełnych menu to inna, gorsza praca.
Wobec zwykłego przygotowania tekstu
Przygotowanie zawsze się odbywa; pytanie brzmi, gdzie. Oto miejsca, w których tłumacze robią je dziś, i koszt każdego z nich.
| Jak się to robi dziś | Co z tego wychodzi | Ile kosztuje |
|---|---|---|
| Kopiowanie i wklejenie do narzędzia | Tekst, od razu | Sześćdziesiąt segmentów nawigacji przed pierwszym zdaniem, blokowanych albo usuwanych ręcznie |
| Własny filtr importu stron w narzędziu | Projekt prosto z adresu | Filtry to praca dla każdej witryny osobno, a szablonowe elementy strony zwykle przez nie przechodzą |
| Prośba do klienta o plik źródłowy | Prawdziwy tekst, w kontekście | Przychodzi późno, jako eksport z CMS-a, którego nikt nie otworzy, albo wcale |
| Zapis strony jako HTML i ręczne czyszczenie | Pełna kontrola nad tym, co zostaje | Godzina w edytorze tekstu, powtarzana dla każdej strony |
| Clean Web Clipper | Plik .md z tekstem, ze źródłem i datą | Bez XLIFF, bez TMX, bez segmentacji i bez liczenia słów – to zostaje w twoim narzędziu |
Kiedy import nie jest czysty
Dlaczego narzędzie zaproponowało nagłówek YAML jako segmenty?
Frontmatter to tekst na górze pliku, a narzędzie, które nie rozpoznaje bloku YAML, traktuje go jak treść. Wyłącz pola frontmattera w ustawieniach przed zapisem pliku, który zamierzasz importować bezpośrednio, albo usuń nagłówek po zapisie. Warto zachować drugą kopię z nagłówkiem – to w niej mieszkają adres źródła i data.
Dlaczego sześćdziesiąt segmentów nawigacji i tak przeszło?
Tak się dzieje, gdy strona w ogóle nie ma treści artykułu – lista kategorii, sklep, wyniki wyszukiwania. W takim przypadku rozszerzenie zgłasza „brak artykułu”, zamiast zwracać odnośniki, więc przed importem sprawdź, co pokazało okno zapisu. Jeśli zwróciło artykuł, a menu przyszło razem z nim, witryna oznaczyła nawigację jako treść artykułu – i to jedyny przypadek, którego heurystyka gęstości odnośników nie przejrzy.
Dlaczego formatowanie wygląda źle po imporcie?
Markdown oznacza wyróżnienia znakami, a nie znacznikami, więc narzędzie importujące plik jako zwykły tekst pokazuje pogrubienie dosłownie, zamiast jako tag. Importuj go jako Markdown, a nie jako tekst; większość narzędzi ma oba filtry, a na tym samym pliku działają zupełnie inaczej.
Dlaczego ze strony marketingowej brakuje połowy tekstu?
Strony marketingowe często składają się z bloków renderowanych przy przewijaniu albo z zakładek i akordeonów, które wstawiają tekst dopiero po otwarciu. Tego, czego przeglądarka nie wyrenderowała, nie ma w DOM i nie da się tego przechwycić. Przewiń stronę do końca, otwórz sekcje i zapisz ponownie – albo poproś klienta o plik z tekstami, który przy takiej stronie i tak jest lepszym źródłem.
Czym nie jest
To nie jest narzędzie CAT: bez XLIFF, bez TMX, bez segmentacji i bez liczenia słów. Nie zachowuje HTML-a strony do wprowadzenia tłumaczenia z powrotem. Wynikiem jest Markdown do czytania i tłumaczenia, a nie do scalania z witryną. Tekst wewnątrz obrazów nie jest wydobywany. A język interfejsu – jeden z 19, zgodny z ustawieniem przeglądarki – to coś innego niż język strony: samo wydobycie nie zależy od języka tekstu.