Word 文档中英双语翻译（医疗/药剂生产企业）

概述

将医疗、药剂生产企业的 Word 文档（.docx；.doc 老格式自动转换）翻译为「上中文下英文」双语文档：

• 每个中文段落下方紧跟一段英文译文
• 表格单元格内：中文下方新增英文段落
• 原文样式（字体、字号、加粗、对齐、缩进、行距、编号）与表格格式（边框、列宽、合并单元格）完全不变
• 图片、页面设置、页眉页脚均不修改

核心流程：提取 → AI 翻译 → 回写，仅新增段落，不触碰其他任何内容。

触发条件

用户提及：word转中英双语、word翻译成双语、双语word、上中文下英文、医疗/医药/药剂/药品/GMP文档翻译、word translate to bilingual 等。

输出格式（上中文下英文）

（原中文段落，样式不变）
（英文译文段落，复制原段落样式，中文字体自动换为 Times New Roman，语言标记 en-US）

表格单元格内同理：中文下方紧跟英文；表格结构、行列、边框、合并单元格均不变。

工作流程

第零步（可选）：.doc 老格式转换

输入为老式二进制 .doc（文件头 D0 CF 11 E0）时，先转为 .docx：

• 优先：本机装有 MS Word / WPS / LibreOffice 时用其转换（保真度最高）
• 否则：pip install Spire.Doc 后用脚本转换（免费版会在文档开头插入红色评估警告段落，脚本自动删除）：

python scripts/convert_doc.py <输入.doc> <输出.docx>

转换后务必抽查正文是否乱码（老 .doc 编码各异），确认无误再进入下一步。

第一步：提取文本

python scripts/extract_text.py <输入.docx> <输出.json>

示例：

python scripts/extract_text.py input.docx extracted.json

输出 JSON 结构：

{
  "source_file": "input.docx",
  "total": 42,
  "items": [
    {
      "kind": "paragraph",
      "path": "body:p3",
      "text": "本方案适用于无菌制剂车间的工艺验证。",
      "translated": "",
      "format": {
        "style": "Normal",
        "alignment": "JUSTIFY",
        "first_line_indent_pt": 21.0,
        "space_before_pt": null,
        "space_after_pt": null,
        "line_spacing": null,
        "run": {
          "latin_font": "Times New Roman",
          "ea_font": "宋体",
          "size_half_pt": 24,
          "bold": false,
          "italic": false,
          "underline": false,
          "color": null,
          "lang": "zh-CN"
        }
      }
    }
  ]
}

字段说明：
- kind: paragraph（正文段落）或 table_cell（表格单元格内段落）
- path: 定位标识，body:pN 为正文第 N 段；body:tN:tcM:pK 为第 N 个表格的第 M 个逻辑单元格内第 K 段（嵌套表格追加 :tX）
- text: 段落完整文本（多个 run 合并，保留制表符/换行符）
- translated: 待 AI 填充的英文译文
- format: 原样式信息（仅参考，回写时直接复制原 XML 属性，不手工重建）

> 说明：纵向合并单元格（vMerge continue 续行）为幻影内容，脚本自动跳过，每个逻辑格只提取一次。

第二步：AI 翻译

读取 JSON，逐条将 text 字段翻译为英文，填入 translated 字段，保存为 translated.json（不要直接用 extracted.json 回写，其中 translated 全为空）。

翻译原则：
1. 专业术语统一按下方术语对照表，全文保持一致
2. 法规/药典名称首次出现用「中文（英文缩写）」格式，如《药品生产质量管理规范》（Good Manufacturing Practice, GMP）
3. 数字、单位、限度值（如 ≤10 ppm、95.0%~105.0%、100 CFU/g）原样保留不译
4. 药品名称用中文 + 英文通用名（INN），首次出现时标注，如 对乙酰氨基酚（Paracetamol, Acetaminophen）
5. 缩写首次出现给出全称，如 高效液相色谱法（High-Performance Liquid Chromatography, HPLC）
6. 中译英：增补主语、显化逻辑连接词、长句拆分、补全冠词与时态
7. 不翻译：代码、URL、邮箱、版本号、批号、页码、纯数字/编号、文件编号（如 ZL/JY/CP/00601）
8. 术语一致：同一术语全篇统一；模棱两可的术语先确认再译

大批量文档翻译策略（数百条目的 SOP/记录表实测有效）：

1. 重复文本建映射：表格中的表头、签批栏、日期栏、结论栏等大量重复（如"符合规定□；不符合规定□""检验人：""下次校验日期："），按"去除首尾空白后的原文"建文本映射（TEXT_MAP），一次覆盖几十上百个单元格
2. 唯一条目按 path 映射：正文方法、长单元格用 path → 译文（PATH_MAP）
3. 规则化处理：
   - 编号/文件号/批号（Z11111、ZL/JY/CP/00601）：不译，translated 填原文（回写时自动跳过，不产生重复行）
   - 日期 2012年01月15日 → January 15, 2012（正则 (\d{4})年(\d{1,2})月(\d{1,2})日）
   - 空白填写栏（______、（批号： ））原样保留在译文中
   - 纵向拆分的表头字（"性"+"状"拼成"性状"）：按片段译（Descript / ion），视觉上仍拼成 Description
   - 纯符号（-）：translated 填原文跳过
4. 迭代到 100% 覆盖：填充脚本输出未覆盖清单 → 逐个补齐 → 再跑，直到非空条目全部覆盖。回写脚本会跳过 translated 为空或与原文相同的条目（不会报错），但漏译的条目就没有英文，必须覆盖全部非空条目

医药/药剂常用术语对照表：

第三步：回写生成双语文档

python scripts/write_bilingual.py <原始.docx> <翻译.json> <输出.docx>

示例：

python scripts/write_bilingual.py input.docx translated.json output_中英双语.docx

回写策略：
- 在原中文段落后用 addnext 插入英文段落，复制原段落全部段落属性（pPr：样式、对齐、缩进、行距、编号）与首个 run 的字体属性（rPr）
- 英文 run 的 ascii/hAnsi 字体若为中文（宋体/黑体/微软雅黑等）则换为 Times New Roman；语言标记设为 en-US
- 表格单元格内同样新增段落，不修改表格结构（行列、边框、列宽、合并单元格）
- translated 为空、或译文与原文相同（编号、纯数字/限度值、- 等）时跳过，不插入
- 不修改图片、页眉页脚、页面设置；仅新增段落

质量检查清单

• [ ] 每段中文下方均有对应英文，顺序一致（非空条目 100% 覆盖）
• [ ] 表格行列数、合并单元格、边框完整未变
• [ ] 字体、字号、加粗、对齐、缩进、编号等样式与原文一致
• [ ] 术语全文统一（对照术语表）
• [ ] 数字、单位、限度值未改动
• [ ] 编号、批号、文件编号未翻译且未重复
• [ ] 日期已按英文格式转换（如 January 15, 2012）
• [ ] 空白填写栏（______）原样保留
• [ ] 无漏译、过译，英文表达流畅专业
• [ ] 由 .doc 转换的文档：无乱码、无评估警告残留

注意事项

• 仅处理正文与表格；页眉页脚、文本框（文本域）、脚注不提取不翻译（如需要请另行说明）
• 新增英文段会导致文档页数增加，属正常现象；英文较长时可手动微调字号
• 翻译前建议备份原件
• 大批量文档可分批处理，术语表可随项目扩充
• .doc 老格式：本机无 Office 时用 convert_doc.py（Spire.Doc 免费版）；免费版对大文档（数百段/几十表）有限制，超大文档建议用 Word/LibreOffice 转换；转换后先抽查乱码
• 调试提示：Windows 控制台/PowerShell 管道可能把 Python 的 UTF-8 输出按 GBK 解码显示成乱码（数据本身正常），验证请直接读取 JSON 文件内容
• 依赖 python-docx 1.x，需 Python 3.8+

依赖

pip install python-docx
# 仅 .doc 转换需要：
pip install Spire.Doc

资源文件

scripts/

• convert_doc.py: .doc 老格式 → .docx 转换（Spire.Doc），并清除免费版评估警告段落
• extract_text.py: 从 .docx 提取正文段落与表格单元格文本到 JSON（含格式信息）
• write_bilingual.py: 将翻译后的 JSON 回写为「上中文下英文」双语 .docx

CHANGELOG

1.1.0
- 新增 .doc 老格式转换支持（convert_doc.py，Spire.Doc，自动清除评估警告）
- 新增「大批量文档翻译策略」：重复文本映射 + path 映射 + 日期/编号/空白栏规则 + 迭代覆盖至 100%
- 术语表大幅扩充（药典检验：性状/鉴别/熔点/薄层/红外/紫外/相关物质/残留溶剂/含量测定/滴定/重金属等 120+ 条）
- 注意事项补充 .doc 转换与乱码调试提示；质量检查清单新增编号/日期/空白栏/乱码检查项

1.0.0
- 首次发布：医疗/药剂生产企业 Word 中英双语翻译技能
- 基于通用翻译技能（translate）流程，适配 Word 文档与医药领域术语
- 保留原样式与表格格式（含横向/纵向合并单元格），上中文下英文输出