こんな人に

CAT ツール用のきれいな原文テキスト

ウェブページから貼り付けた原文にはナビゲーションがついてきて、メニューの項目の 1 つ 1 つが、飛ばし、数え、いずれ請求書で説明しなければならないセグメントになります。Clean Web Clipper は、ファイルがツールに近づく前にそれを取り除きます。

テキストではないセグメント

ページを取り込むと、プロジェクトは実際の原稿の最初の文より前に 60 個のセグメントを抱えて開きます。「本文へスキップ」、「ログイン」、9 つの製品カテゴリ、Cookie の通知、30 言語が並ぶ言語の切り替え。どれも翻訳すべき内容ではありませんが、すべてファイルに入り、ワード数に含まれ、1 セグメントずつロックするか削除しなければなりません。

そして繰り返しがあります。同じメニューのブロックがセクションごとに、さらにフッターにも現れるので、そのファイルで育てたメモリは実際の文に対して「次に読む」を一致候補として出し始めます。取り込む前に原文をきれいにするのは数秒で済みますが、あとから翻訳メモリをきれいにするのはそうはいきません。

厄介ごとは仕事が始まる前から始まります。「このページ」の見積もりを頼まれ、出す数字は何を数えたかで決まります。生のページから数えればメニューが含まれ、きれいにしてから数えれば含まれず、それは誰も二度とはしたくない話し合いです。そして作業中にクライアントがページを編集します。見積もった日にクリップし、アドレスとページ自身の日付をヘッダーに持つファイルなら、ページがどう見えていたかを誰かが思い出さなくても、その両方に決着がつきます。

セグメントの一覧に届くもの

• メニュー、ページ送り、同意のバー、「次に読む」のフィードは、ファイルができる前に切り落とします。
• 重複したナビゲーションは、比較したエンジンのおよそ 4 分の 1。 繰り返された行は 102 行、ほかは 282、478、491 行です。
• 測定した 512 ページで残った HTML タグは一つもないので、紛れ込んだマークアップがインラインタグになることはありません。
• インラインの書式は Markdown に対応づけます。 太字、斜体、リンク、コード、リストで、主要な CAT ツールはどれも取り込めます。
• 出典の URL が frontmatter についてくるので、セグメントの文脈はクリック 1 回の先にあります。
• ヨーロッパ 12 か国の上位 50 サイトの 403 ページで測定し、それぞれ各国の言語で取得して、クラッシュはありませんでした。
• 見出し、リスト、引用ブロックは階層を保つので、納品物が反映すべき構造が、セグメントから推測するのではなく原文のファイルで見えます。
• title と date はページ自身のメタデータから取るので、案件のフォルダに、どの版の原文で見積もったかが記録されます。

• この数字の出どころ：エンジンのバージョンと日付を載せたベンチマーク

---
title: "Register a trade mark: step by step"
source: "https://www.gov.uk/how-to-register-a-trade-mark"
extraction: "dom"
---

## Check whether your trade mark can be registered

Your trade mark must be unique. It can include words, sounds, logos, colours
or a combination of these.

You cannot register a trade mark that is offensive, describes the goods it
relates to, or is misleading.

原文ファイルの準備

目指すのは、ツールで開いたときに最初のセグメントが原稿の最初の文になっているファイルです。その大部分は 2 つの設定で済み、そのうち 1 つは間違えやすいものです。

1. 拡張機能のアイコンから オプション を開き、保存先を案件のあるフォルダ jobs/client/source に向けます。原文のファイルは一般的なクリップのフォルダではなく案件に属します。
2. アイコンをクリックしたとき を「.md をダウンロード」か「フォルダに保存」のうち、ファイルの扱い方に合うほうにします。どちらでも、まずどこかに貼り付けなければならないクリップボードではなく、取り込むファイルが手に入ります。
3. ファイル名のテンプレートを {date}-{domain}-{title} にします。クライアントのページが見積もりのあとに変わったとき、指し示すのはこの取得日です。
4. ファイルを直接取り込むなら、frontmatter の欄をオフにします。YAML ヘッダーはテキストで、それを認識しないツールは extraction: "dom" を翻訳すべきセグメントとして平気で出してきます。
5. 画像を 含めない にします。Markdown の画像リンクは、原稿の一部ではない画像のために、セグメントになるか、ファイル全体で持ち運ぶインラインタグになります。
6. 1 つのセクションだけが対象なら、ページでそれを選択し、選択範囲をクリップします。セクションを見積もってページを納品するという行き違いは、取得の瞬間に始まります。
7. 見積もる日にページをクリップし、ファイルを残します。価格が合意されたときの原文の姿を示す唯一の記録です。

原文ファイルのための設定

つまずきやすいのは frontmatter の行です。それ以外はすべて、セグメントの一覧を実際の原稿だけにしておくためのものです。

The **starter plan** includes *up to five* seats. Additional seats are
billed monthly; see the [pricing page](https://example.com/pricing) or set
`SEATS` in your configuration file.

- Seats can be reassigned once per billing period.
- Unused seats are not carried over.

1 つの文に 4 つのインラインタグ：太字、斜体、リンク、コード。どれも CAT ツールが
インラインタグとして取り込む Markdown の書式に対応しています。

3 つの案件

飾りではなく原稿に基づく見積もり

クライアントが URL を送り、価格を尋ねます。ページをクリップすると、メニュー、30 言語が並ぶ言語の切り替え、同意の通知、フッターはファイルができる前に消えているので、見積もりに使う数は、翻訳すべきテキストの数です。

これを測った数字が重複したナビゲーションです。109 ページのコーパスで繰り返された行は 102 行、比較したエンジンは 282、478、491 行でした。各セクションでメニューが繰り返されるページでは、それが同じ案件の 2 つの見積もりの差の大半です。

作業中に変わったページ

3 日目に、クライアントがマーケティング部門が「いくつか手を入れた」と言います。ページをもう一度クリップすると、2 つ目のファイルには番号が付き、見積もりに使ったファイルとの差分で、新しい段落 2 つと変わった見出し 1 つが分かります。

それは記憶についての言い争いではなく、文書のある範囲の話し合いになります。各ファイル名の取得日がどちらがどちらかを示し、date 欄がそれぞれの時点でページが自分について何と言っていたかを示します。

稼働中のサイトから対訳の参考資料を作る

クライアントのサイトにはすでにドイツ語版があります。英語のページとドイツ語のページを、続けて同じ案件のフォルダにクリップします。抽出はテキストの言語に左右されないので、どちらも同じきれいな構造で、同じ見出しが同じ順に並んで出てきます。

これは意図して測定しています。ヨーロッパ 12 か国の上位 50 サイトの 403 ページを、それぞれブラウザをその国の言語に設定して取得し、クラッシュはなく、どのページにも HTML は残りませんでした。きれいな 2 つのファイルを揃えるのは作業ですが、メニューだらけの 2 つのファイルを揃えるのは、別のもっとつらい作業です。

よくある下準備との比較

下準備は必ず発生します。問題はどこでやるかです。翻訳者が今それをやっている場所と、それぞれのコストをまとめました。

取り込みがきれいにいかないとき

ツールが YAML ヘッダーをセグメントとして出してきた

frontmatter はファイルの先頭にあるテキストで、YAML ブロックを認識しないツールはそれを内容として扱います。直接取り込むつもりのファイルをクリップする前に設定で frontmatter の欄をオフにするか、クリップしたあとでヘッダーを削除してください。ヘッダー付きの写しをもう 1 つ残しておく価値はあります。出典の URL と日付があるのはその写しです。

ナビゲーションの 60 セグメントがまだ入ってきた

ページに記事の本文がまったくない場合に起きます。カテゴリの一覧、ストアのトップ、検索結果です。その場合拡張機能はリンクを返さずに「記事なし」と報告するので、取り込む前にクリップウィンドウの表示を確認してください。記事が返ってきたのにメニューもついてきたなら、サイトがナビゲーションを記事の内容としてマークアップしていたということで、それは密度による判定が見抜けない唯一のケースです。

取り込み後にインラインの書式がおかしく見える

Markdown は強調をタグではなく文字で示すので、ファイルをただのテキストとして取り込むツールでは、インラインタグではなく bold がそのまま表示されます。テキストではなく Markdown として取り込んでください。たいていのツールには両方のフィルターがあり、同じファイルでもまったく違う動きをします。

マーケティングのページで原稿の半分がない

マーケティングのページは、スクロールに合わせて描画されるデザインブロックや、開いたときにだけテキストを挿入するタブやアコーディオンで作られていることがよくあります。ブラウザが描画していないものは DOM になく、取り込めません。ページを最後までスクロールし、セクションを開いてからもう一度クリップするか、クライアントに原稿を頼んでください。そういうページでは、どのみちそのほうがよい原文です。

これは何ではないか

CAT ツールではありません。XLIFF も TMX も、セグメント分割もワード数もありません。ページの HTML を往復用に保持もしません。出力は Markdown で、サイトにマージし直すためではなく、読んで翻訳するためのものです。画像の中のテキストは抽出しません。そしてインターフェースの言語（19 言語のどれか、ブラウザの設定で決まる）はページの言語とは別のもので、抽出そのものはテキストの言語に左右されません。

よくある質問