适用人群

为 CAT 工具准备干净的原文

从网页粘贴过来的原文会带着导航，每个菜单项都变成一个句段：要跳过，要计数，最后还得在账单上解释。Clean Web Clipper 在文件进入你的工具之前就把它们去掉。

不是正文的句段

你导入一个网页，项目打开时，正文第一句之前已经有六十个句段：“跳到正文”“登录”、九个产品分类、一条 Cookie 提示，还有列出三十种语言的语言切换器。这些都不是需要翻译的内容，却都在文件里、在字数统计里，只能一个句段一个句段地锁定或删除。

接着是重复。同一块菜单在每个章节里再出现一次，页脚里又出现一次，于是用这个文件喂出来的翻译记忆库，开始把“继续阅读”当作真实句子的匹配推荐给你。导入之前清理原文只要几秒钟，事后清理翻译记忆库可就不是几秒钟的事了。

麻烦在接活之前就开始了。客户让你给“这个网页”报价，而你报的数字完全取决于你统计了什么：按原始网页统计，菜单也算在内；清理之后再统计，就不算。这种对话谁都不想来第二次。然后，你还在做的时候，客户又改了网页。报价当天剪藏的文件，头部记着网址和网页自己声明的日期，两个问题都能说清，谁也不必去回忆网页当时是什么样。

进入句段列表的是什么

• 菜单、分页器、Cookie 提示栏和“继续阅读”信息流，在文件生成之前就被去掉。
• 重复的导航大约只剩四分之一：与参与比较的引擎相比，重复的菜单行是 102 行，对方分别是 282、478 和 491 行。
• 512 个实测网页中，残留的 HTML 标签为零，不会有零散的标记变成内嵌标签。
• 行内格式转换为 Markdown：粗体、斜体、链接、代码和列表，各主流 CAT 工具都能导入。
• 来源网址写在 frontmatter 里，句段的上下文点一下就能看到。
• 实测 12 个欧洲国家排名前五十的网站，共 403 个网页，每个都以该国语言抓取：崩溃为零。
• 标题、列表和引用块保持层级，译文需要对应的结构在原文文件里一眼可见，不必从句段里去推断。
• title 和 date 来自网页自己的元数据，项目文件夹里记着你报价时依据的是哪个版本的原文。

• 这些数字从哪里来：基准测试页面，附引擎版本和日期

---
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.

准备原文文件

目标是一个导入工具之后，第一个句段就是正文第一句的文件。大部分工作靠两项设置完成，其中一项很容易设错。

1. 从扩展程序图标打开设置，把保存位置指向这单活所在的文件夹，例如 jobs/client/source。原文文件应该和项目放在一起，而不是放进笼统的剪藏文件夹。
2. 把点击图标的动作设为“下载 .md 文件”或“保存到文件夹”，看哪种更适合你的文件管理习惯。无论哪种，最后得到的都是一个可以导入的文件，而不是还得先粘贴到别处的剪贴板内容。
3. 把文件名模板设为 {date}-{domain}-{title}。客户的网页在你报价之后改过时，你要拿出来的就是这个采集日期。
4. 如果要直接导入文件，就关闭 frontmatter 字段。YAML 头部也是文本，不认识它的工具会很乐意把 extraction 那一行当作待译句段推给你。
5. 把图片设为跳过。Markdown 里的图片链接要么变成一个句段，要么变成一个内嵌标签，你得带着它走完整个文件，而那张图根本不属于正文。
6. 只有一个章节在报价范围内时，就在网页上选中它，剪藏选中内容。报的是一个章节、交的却是整页，这种误会从采集那一刻就开始了。
7. 在报价当天剪藏网页，并保留文件。谈定价格时原文是什么样，只有它能证明。

原文文件的设置

最容易出错的是 frontmatter 那一行。其余各项都是为了让句段列表里只剩真正的正文。

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.

一句话里有四个内嵌标签：粗体、斜体、链接和代码。每一个都对应一种
Markdown 写法，CAT 工具会把它导入为内嵌标签。

三单活

报价依据正文，而不是网页外壳

客户发来一个网址，问多少钱。你剪藏这个网页：菜单、列出三十种语言的语言切换器、Cookie 提示和页脚，在文件生成之前就没了，所以你报价时统计的，正是需要翻译的文字。

这一点有实测数据，看的是重复的导航：在 109 个网页的语料上，重复的菜单行是 102 行，参与比较的引擎分别是 282、478 和 491 行。对于菜单在每个章节都重复一遍的网页，同一单活两份报价之间的差距，大部分就在这里。

做到一半改了的网页

做到第三天，客户提到市场部“稍微调整了几处”。你重新剪藏这个网页；第二个文件会带上数字后缀，和报价时的文件做一次 diff，就能看到多了两段、改了一个标题。

这样一来，关于范围的讨论就有文件为据，而不是比谁记得清楚。每个文件名里的采集日期说明哪个是哪个，date 字段则说明网页在两次采集时各自声明的日期。

用现成网站建立双语参考

客户网站已经有德语版。你把英文网页和德语网页先后剪藏进同一个项目文件夹。提取不依赖文本的语言，所以两个文件得到的是同样干净的结构，标题相同，顺序相同。

这一点是专门测过的：12 个欧洲国家排名前五十的网站中的 403 个网页，每个都在浏览器设为该国语言的情况下抓取，崩溃为零，也没有一个残留 HTML。对齐两个干净的文件是一件活；对齐两个塞满菜单的文件，是另一件更糟的活。

和常见的准备方式比一比

准备工作总归要做，问题是在哪里做。下面是译者现在做这件事的几个地方，以及各自的代价。

导入不干净的时候

我的工具为什么把 YAML 头部当成了句段？

frontmatter 是文件顶部的文本，不认识 YAML 块的工具会把它当作内容。打算直接导入的文件，剪藏前在设置里关闭 frontmatter 字段，或者剪藏后删掉头部。另外保留一份带头部的副本是值得的：来源网址和日期就在那份副本里。

为什么还是有六十个导航句段混了进来？

网页根本没有文章正文时会出现这种情况：分类列表页、店铺首页、搜索结果页。这时扩展程序会报告“没有文章”，而不是把链接交给你，所以导入前先看看剪藏窗口里显示了什么。如果它确实返回了文章，而菜单也跟着进来了，那是网站把导航标记成了文章内容，这是基于链接密度的判断唯一看不穿的情况。

导入后行内格式为什么不对？

Markdown 用字符而不是标签来标记强调，所以把文件当纯文本导入的工具，会原样显示 bold，而不是显示为内嵌标签。请按 Markdown 导入，而不是按文本导入：大多数工具两种过滤器都有，对同一个文件的处理方式完全不同。

营销页面为什么少了一半文案？

营销页面常常由滚动时才渲染的设计模块组成，或者用标签页和折叠面板，只有展开时才插入文字。浏览器没有渲染出来的内容不在 DOM 里，也就无法采集。把网页滚动到底，展开各个部分，再剪藏一次；或者向客户要文案稿，对这种网页来说，那本来就是更好的原文。

它不是什么

它不是 CAT 工具：没有 XLIFF，没有 TMX，不做分段，也不统计字数。它不保留网页的 HTML，无法回填。输出是 Markdown，用来阅读和翻译，而不是再合并回网站。图片里的文字不会被提取。另外，界面语言和网页的语言是两回事：提取本身不依赖文本的语言。

常见问题