Apertium翻译HTML文件时为何将完整句子拆分为三个部分？

问题产生的核心原因 #

该问题是Apertium规则翻译引擎处理带格式HTML文本时的固有特性导致，具体可拆解为两点：

• 格式保留优先级高于文本连续性的设计逻辑
  Apertium的HTML格式处理器（-f html参数启用）的核心设计规则是优先完全保留原始HTML中所有标签的属性、顺序，不会主动合并、移动或删除原有标签，仅修改标签包裹的文本内容。
• 跨语言词序调整与标签边界的冲突
  你遇到的句子拆分是西班牙语到英语翻译的词序调整需求触发的：
  西班牙语的将来时动词actualizará是单个词，对应英语的两个词will update，Apertium的西英翻译规则会将该词拆分翻译。由于引擎处理时将原始<span class="title">标签的位置以占位符形式固定在文本流中，词序调整后，拆分出来的update刚好落在原有title span的闭合占位符外侧，最终导致原本完整的句子被标签拆分为多段，甚至出现重复的title span标签的异常情况。

补充说明：该问题属于Apertium处理带inline标签的短句翻译时的已知局限，若要避免该问题，可先提取纯文本翻译完成后再回填到HTML标签内，或使用支持跨标签语义单元合并的机器翻译工具处理。

内容的提问来源于stack exchange，提问作者Meisser