Dành cho ai
Văn bản nguồn sạch cho công cụ CAT
Văn bản nguồn dán từ trang web mang theo thanh điều hướng, và mỗi mục menu thành một phân đoạn bạn phải bỏ qua, đếm và rốt cuộc giải thích trên hóa đơn. Clean Web Clipper loại bỏ nó trước khi tệp tới gần công cụ của bạn.
Những phân đoạn không phải văn bản
Bạn nhập một trang và dự án mở ra với sáu mươi phân đoạn trước câu đầu tiên của nội dung thật: “Skip to content”, “Log in”, chín danh mục sản phẩm, một thông báo cookie và bộ chuyển ngôn ngữ liệt kê ba mươi ngôn ngữ. Không cái nào là nội dung cần dịch, nhưng tất cả đều nằm trong tệp, trong số từ, và phải khóa hoặc xóa từng phân đoạn một.
Rồi còn chuyện lặp lại. Cùng một khối menu xuất hiện lại ở mọi mục và lại ở chân trang, nên bộ nhớ dịch được nạp từ tệp đó bắt đầu đề xuất “Read next” làm kết quả khớp cho những câu thật. Làm sạch nguồn trước khi nhập mất vài giây. Làm sạch bộ nhớ dịch sau đó thì không.
Rắc rối bắt đầu trước cả khi công việc bắt đầu. Bạn được yêu cầu báo giá cho “trang này”, và con số bạn đưa ra phụ thuộc hoàn toàn vào những gì bạn đã đếm – số đếm từ trang thô có cả menu, còn số đếm sau khi làm sạch thì không, và đó là cuộc trao đổi không ai muốn có hai lần. Rồi khách hàng sửa trang trong lúc bạn đang làm. Một tệp trích xuất vào ngày báo giá, với địa chỉ và ngày của chính trang trong phần đầu, giải quyết cả hai câu hỏi mà không ai phải nhớ trang từng trông thế nào.
Những gì vào danh sách phân đoạn
- Menu, phân trang, thanh đồng ý cookie và mục “đọc tiếp” bị cắt trước khi tệp tồn tại.
- Thanh điều hướng lặp lại giảm khoảng bốn lần so với các công cụ được so sánh: 102 dòng lặp lại so với 282, 478 và 491.
- Không một thẻ HTML nào sót lại trên 512 trang đã đo, nên không có mã đánh dấu lạc nào biến thành thẻ trong dòng.
- Định dạng trong dòng chuyển sang Markdown – chữ đậm, nghiêng, liên kết, mã và danh sách – thứ mọi công cụ CAT lớn đều nhập được.
- URL nguồn đi kèm trong frontmatter, nên ngữ cảnh của một phân đoạn chỉ cách một cú nhấp.
- Đã đo trên 403 trang từ năm mươi trang web hàng đầu của mười hai nước châu Âu, mỗi trang được chụp bằng ngôn ngữ của nước đó: không có lỗi sập.
- Tiêu đề mục, danh sách và trích dẫn khối giữ đúng cấp, nên cấu trúc mà bản giao phải phản ánh hiện rõ trong tệp nguồn thay vì phải suy ra từ các phân đoạn.
titlevàdatelấy từ siêu dữ liệu của chính trang, nên thư mục công việc ghi lại bạn đã báo giá theo phiên bản nguồn nào.
--- 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.
Chuẩn bị tệp nguồn
Mục tiêu là một tệp mở trong công cụ với phân đoạn đầu tiên chính là câu đầu tiên của nội dung. Hai cài đặt làm được phần lớn việc đó, và một trong hai rất dễ đặt sai.
- Mở Tùy chọn từ biểu tượng tiện ích và trỏ nơi lưu vào thư mục của công việc –
jobs/client/source. Tệp nguồn thuộc về công việc, không nằm trong một thư mục bản trích chung. - Đặt việc cú nhấp vào biểu tượng sẽ làm là “tải xuống tệp
.md” hoặc “lưu vào thư mục”, tùy cách bạn quản lý tệp. Dù cách nào, bạn cũng có một tệp để nhập thay vì một bảng tạm phải dán vào đâu đó trước. - Đặt mẫu tên tệp là
{date}-{domain}-{title}. Ngày chụp là thứ bạn chỉ vào khi trang của khách hàng đã thay đổi kể từ lúc báo giá. - Tắt các trường frontmatter nếu bạn nhập tệp trực tiếp. Phần đầu YAML là văn bản, và một công cụ không nhận ra nó sẽ vui vẻ đưa
extraction: "dom"ra làm phân đoạn cần dịch. - Đặt hình ảnh là bỏ qua. Một liên kết hình trong Markdown sẽ thành phân đoạn hoặc thẻ trong dòng mà bạn phải mang theo suốt tệp, cho một bức ảnh không thuộc nội dung.
- Khi chỉ một mục thuộc phạm vi, hãy chọn nó trên trang và trích xuất phần đã chọn. Báo giá cho một mục mà giao cả trang là hiểu lầm bắt đầu ngay từ lúc chụp.
- Trích xuất trang vào ngày báo giá, và giữ tệp. Đó là bản ghi duy nhất về nguồn đúng như lúc giá được thống nhất.
Cài đặt cho tệp nguồn
Hàng frontmatter là hàng hay khiến người ta vấp. Mọi thứ khác đều nhằm giữ danh sách phân đoạn chỉ gồm nội dung thật.
| Cài đặt | Giá trị | Vì sao chọn giá trị này |
|---|---|---|
| Cú nhấp vào biểu tượng | Tải xuống `.md` | Bạn cần một tệp để nhập, không phải bảng tạm để dán |
| Frontmatter | Tắt mọi trường khi nhập trực tiếp | Phần đầu YAML là văn bản; công cụ không bỏ qua nó sẽ đưa ra làm phân đoạn |
| Hình ảnh | Bỏ qua | Liên kết hình thành phân đoạn hoặc thẻ trong dòng cho thứ không phải nội dung |
| Mẫu tên tệp | `{date}-{domain}-{title}` | Cố định phiên bản trang của khách hàng mà báo giá dựa vào |
| Nơi lưu | Thư mục công việc | Nguồn thuộc về công việc, và ở lại đó khi trang thay đổi |
| Phần đã chọn | Trích xuất mục thuộc phạm vi | Phạm vi phình ra thường bắt đầu từ một lần chụp cả trang |
| Quy tắc theo trang web | Tên miền khách hàng → thư mục con của công việc, bỏ qua hình ảnh | Khách hàng thường xuyên thì không cần quyết định lại mỗi lần |
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. Four inline tags in one sentence: bold, italic, a link and code. Each maps to a Markdown equivalent that a CAT tool imports as an inline tag.
Ba công việc
Báo giá theo nội dung, không theo phần vỏ
Khách hàng gửi một URL và hỏi giá. Bạn trích xuất trang – menu, bộ chuyển ngôn ngữ liệt kê ba mươi ngôn ngữ, thông báo đồng ý cookie và chân trang đã biến mất trước khi tệp tồn tại, nên số lượng bạn báo giá là số lượng văn bản thật sự cần dịch.
Phần đã đo của điều này là thanh điều hướng lặp lại: 102 dòng lặp lại trên bộ mẫu 109 trang, so với 282, 478 và 491 của các công cụ được so sánh. Trên một trang có menu lặp lại ở mọi mục, đó là phần lớn chênh lệch giữa hai báo giá cho cùng một công việc.
Trang thay đổi giữa chừng
Ba ngày sau khi bắt đầu, khách hàng nhắc rằng bộ phận marketing “chỉnh vài chỗ”. Bạn trích xuất lại trang; tệp thứ hai được thêm hậu tố số, và bản diff so với tệp bạn đã báo giá cho thấy hai đoạn mới và một tiêu đề mục đã đổi.
Đó là một cuộc trao đổi về phạm vi có tài liệu trong tay, thay vì một cuộc tranh luận dựa trên trí nhớ. Ngày chụp trong mỗi tên tệp cho biết tệp nào là tệp nào, và trường date cho biết trang đã tự khai báo gì trong mỗi lần.
Dựng tài liệu tham chiếu song ngữ từ trang web đang chạy
Trang của khách hàng đã có bản tiếng Đức. Bạn trích xuất trang tiếng Anh và trang tiếng Đức, lần lượt, vào cùng thư mục công việc. Việc trích xuất không phụ thuộc vào ngôn ngữ của văn bản, nên cả hai ra cùng một cấu trúc sạch với cùng các tiêu đề mục theo cùng thứ tự.
Điều đó đã được đo có chủ đích: 403 trang từ năm mươi trang web hàng đầu của mười hai nước châu Âu, mỗi trang được chụp với trình duyệt đặt ngôn ngữ của nước đó, không có lỗi sập và không có HTML sót lại ở trang nào. Căn chỉnh hai tệp sạch là một công việc; căn chỉnh hai tệp đầy menu là một công việc khác và tệ hơn.
So với cách chuẩn bị thông thường
Việc chuẩn bị luôn diễn ra; câu hỏi là diễn ra ở đâu. Đây là những chỗ biên dịch viên đang làm việc đó, và cái giá của mỗi chỗ.
| Cách đang làm | Bạn nhận được gì | Cái giá phải trả |
|---|---|---|
| Sao chép và dán vào công cụ | Văn bản, ngay lập tức | Sáu mươi phân đoạn điều hướng trước câu đầu tiên, khóa hoặc xóa bằng tay |
| Bộ lọc nhập trang web của chính công cụ | Một dự án thẳng từ URL | Bộ lọc là việc phải làm cho từng trang, và phần khuôn mẫu thường vẫn lọt qua |
| Xin khách hàng tệp nguồn | Nội dung thật, trong ngữ cảnh | Tới muộn, hoặc là bản xuất CMS không ai mở được, hoặc không bao giờ tới |
| Lưu trang dạng HTML rồi làm sạch | Toàn quyền quyết định giữ gì | Một giờ với trình soạn thảo văn bản, lặp lại cho mỗi trang |
| Clean Web Clipper | Tệp `.md` chứa nội dung, có ghi nguồn và ngày | Không XLIFF, không TMX, không phân đoạn, không đếm từ. Những việc đó vẫn thuộc về công cụ của bạn |
Khi việc nhập không sạch
Công cụ của tôi đưa phần đầu YAML ra làm phân đoạn
Frontmatter là văn bản ở đầu tệp, và công cụ không nhận ra khối YAML sẽ coi nó là nội dung. Hãy tắt các trường frontmatter trong cài đặt trước khi trích xuất tệp bạn định nhập trực tiếp, hoặc xóa phần đầu sau khi trích xuất. Giữ thêm một bản có phần đầu là đáng – bản đó là nơi chứa URL nguồn và ngày.
Sáu mươi phân đoạn điều hướng vẫn lọt qua
Điều đó xảy ra khi trang hoàn toàn không có phần thân bài viết – một trang danh mục, trang cửa hàng, trang kết quả tìm kiếm. Trong trường hợp đó tiện ích báo “không có bài viết” thay vì trả về các liên kết, nên hãy xem cửa sổ trích xuất đã báo gì trước khi nhập. Nếu nó trả về bài viết mà menu vẫn đi kèm, là do trang đã đánh dấu thanh điều hướng như nội dung bài viết – trường hợp duy nhất mà phương pháp đo mật độ không nhìn xuyên qua được.
Định dạng trong dòng trông sai sau khi nhập
Markdown đánh dấu nhấn mạnh bằng ký tự chứ không bằng thẻ, nên công cụ nhập tệp như văn bản thuần sẽ hiện nguyên bold thay vì thành thẻ trong dòng. Hãy nhập nó như Markdown chứ không như văn bản; phần lớn công cụ có cả hai bộ lọc, và chúng xử lý cùng một tệp hoàn toàn khác nhau.
Một nửa nội dung trang marketing bị thiếu
Trang marketing thường được dựng từ các khối thiết kế hiển thị khi cuộn, hoặc từ tab và accordion chỉ chèn văn bản khi được mở. Những gì trình duyệt chưa hiển thị thì không có trong DOM và không chụp được. Hãy cuộn trang tới cuối, mở các mục, rồi trích xuất lại – hoặc xin khách hàng bản nội dung gốc, vốn là nguồn tốt hơn cho một trang như vậy.
Nó không phải là gì
Nó không phải công cụ CAT: không XLIFF, không TMX, không phân đoạn và không đếm từ. Nó không giữ HTML của trang để đưa ngược lại. Kết quả là Markdown, dùng để đọc và dịch chứ không để ghép trở lại vào trang web. Chữ trong hình ảnh không được trích xuất. Và ngôn ngữ giao diện – một trong 19 ngôn ngữ, theo cài đặt trình duyệt của bạn – là chuyện riêng, khác với ngôn ngữ của trang – bản thân việc trích xuất không phụ thuộc vào ngôn ngữ của văn bản.