认识翻译与本地化的源文档：XML文档入门（一）-大辞科技

首页 » 玩转翻译技术 » 文档格式解析 » 认识翻译与本地化的源文档：XML文档入门（一）

本文目录

1.1 什么是XML？
1.2 XML文档的构成？
- 1.2.1 声明语句
- 1.2.2 元素、标签和属性
1.3 关于XML的总结

在进行翻译的过程中，我们会遇到各种各样的文档格式。有些文档对我们来说比较简单，比如.docx、.ppt、.xlsx这些Office的文档，但是有些就比较复杂了，尤其是.xml、.po、.dita、.md、.html、.php、srt、psd等等之类的。

所以我想，是不是可以带大家认识一下这些文档呢~（写作过程痛苦地狠)

然后就决定准备这个关于翻译与本地化的各种文档格式的系列，今天讲第一篇：xml格式的文档。

我也不知道我写的到底能不能懂，我也不知道我会不会一直更，平时工作也忙，就慢慢写吧~

如果有问题，可以留言，我从翻译与本地化项目管理的角度尽可能给答复~

如果你是问我关于程序代码应该怎么写，这个请去找更加专业的工程师hhhhh~

好啦我们回到正题，xml文档。xml格式要讲的内容很多，今天先带大家入个门，认识认识XML文档和它的结演变历史。

为什么我选择先讲XML格式？

因为大家都是搞翻译的嘛，几乎每天都在和xml格式的文档打交道，只不过你可能不知道它是xml文档而已。比如（接下来你可能要惊叹了），我们用的word的.docx文档，其实就是基于Office Open XML标准的压缩文件格式，本质上就是一个xml文档。

是不是觉得不可思议，听都没听过？（接下来你可以拿一个docx的文档跟我一起试试：）

我们来看一个案例，这里有一个docx的文档，长这个样子：（我用Office Word打开的）

01 demo docx file

现在，我们对这个文档做如下操作：

将文档的后缀名由docx改为zip格式，变成一个压缩包；
把这个压缩包解压缩，打开解压后的文件夹，然后打开文件夹内的word的文件；
然后我们打开这个document.xml的文档，这就是原来的docx文档底层xml文档。

在这里我用vscode打开的，你也可以用任何一款文本编辑器打开，比如电脑自带的记事本，或者常用的Notepad++，sublime之类的都可以~

如果你电脑没有，建议装一个~（选一个安装就行，不用都装~）

03 xml structure

除此之外呢，我们现在用CAT工具嘛，翻译记忆库是.tmx格式，其实.tmx格式也是xml文档。

04 tmx file

包括大家都熟悉的xliff格式，也是xml文档~

05 xliff文档

所以我们就来看看什么是xml文档~

我想tmx和xliff我们后面应该都会讲吧~希望我会坚持写文hhhhhhh~

1.1 什么是XML？

可扩展标记语言，标准通用标记语言的子集，简称XML，是一种用于标记电子文件使其具有结构性的标记语言。——摘自百度百科。

11 ML如何变成XML？

其实这个定义说的很清楚，但是我想，如果你是一个新人，可能这里面没有一个能看懂的词：语言、标记语言、标准通用标记语言、可扩展标记语言。

所以我们看看先来看这几个“名词”。

1.1.1 什么是计算机语言

语言，这里指的是计算机的语言。就像人之间交流用的是人类语言，什么中文、日语、英语等等不同的语言，当然也有手语、肢体语言等等，有了语言人与人之间才能交流~

可是，计算机理解不了人类语言。

所以我们要用计算机的语言，告诉计算机，“我在讲什么。”像小时候计算机课上学的0和1这种二进制数，就是一种机器语言（你可以理解为甲骨文），除此之外，还有HTML、GML、XML、C++、VC、VB、Delphi、Java、PHP、Python等等（你可以对标现在的中文、英文、日语等等），这些都是计算机的语言。

通过计算机语言，才能实现人与计算机进行交流和对话。

09 计算机语言

1.1.2 什么是标记语言

标记语言，Markup Language，是一种将文本以及文本相关的其他信息结合起来，展现出关于文档结构和数据处理细节的电脑文字编码。（摘自百度百科）

如果看不懂的话，我拿人类语言的标记举例子：

08 人类语言的标记（改错）

老师用红叉标记学生做错了
我们用荧光笔标记重点
甚至用标点符号标记句子的含义，比如句号标记句子结束，问号标记疑问句，等等。

我们再回到标记语言这个话题，标记语言=标记计算机语言。那，什么是标记计算机语言呢？

你可以理解为，给计算机文本用信息符号做个标记，告诉计算机“哦，这个符号代表啥文本信息，那个标记代表文本的啥结构”。（其实标记就是标签，tag）

在标记语言中，一定要说明：

标记的规则是什么，或者标签叫什么名字？
要标记的文本内容，也就是给什么做标记？
标记的结构是什么，也就是各个标签之间的关系是什么

举个例子，我写了这样一个标记：

12 what is ML？

你可能会有这样一个疑问：“那，我想怎么写就怎么写吗？”

比如，我在文本前输入井号加一个空格，告诉计算机“只要是见到井号+空格，就表示标题。

——这样可以吗？

是的，在标记语言中，你想标记什么就标记什么，你想怎么定义结构就怎么定义结构，你想怎么写就怎么写，只要你和你的计算机商量好了就行。

但是这会有一个问题，就是：但凡换一台计算机，都不知道你在说什么。

那咋办？

为了解决“让大家都明白”的问题，在1986年国际标准化组织出版发布了一个信息管理方面的国际标准（ISO 8879:1986信息处理），也就是标准通用标记语言。

1.1.3 什么是标准通用标记语言

标准通用标记语言，Standard Generalized Markup language，中文简称“通标语言”，英文简称SGML，就是计算机的文本结构和描述内容的国际标准语言。字面意思其实就可以理解：标记语言是标准通用的，只要你按照这个标准，甭管是哪台计算机，都遵循一个规范，这样就“听”得懂你说的啥，也就能顺利全球沟通啦~

既然是国际标准规范，那遵循什么规范呢？

一份“通用标言”文档可能有三部分组成：

“通用标言”声明：定义字符集分隔符集和关键字（以下在本文里头简称“声明”）。
文档类型序言：定义一般实体和元素类型

包含一个“!文档类型（外语全称加缩写：!DOCTYPE）声明”与各种“标记声明”，它们一起组成了一个文档类型定义（外语首字母缩略词：DTD）
实例：包含一个顶级元素和实例的内容

如果你想了解更多，建议自己去查一下~

不同的文档有不同的文档样式，比如我们的HTML文档有HTML文档的国标样式，你要是写HTML文档，遵循这个标准就行。

比如：在HTML中我们用<p>这是一句话</p>表示文本这是一句话是段落，这样就给文本赋予了一个段落结构。

如果你还是看不懂，你可以随意打开你的一个页面，查看这个页面的源代码。

07 html 文档

对于这样一个文本而言，好处是什么呢？——你可以很清楚地看到这文本的布局。如果把源代码关掉，就可以看到图片、排版对不对？

可是问题呢？——HTML的复用率很低。你的文本格式、图片大小、宽度、固定值啥啥都固定了，当然很难复用了。

那怎么办？——变成可扩展标记语言，也就是XML嘛~

1.1.4 什么是可扩展标记语言（XML）

XML的全称是Extensible Markup Language就是XML的全称，我猜是因为发音就是/ex/=X，所以才缩写为XML，而不是EML。我也查了一些资料，没找到什么答案，你们要是感兴趣可以自己研究研究~分享给我呀~

如果我们了解了标记语言，那“可扩展”应该比较容易理解，就是：你可以由一个xml扩展到新的语言，比如：WAP和WML语言。

你只需要记住xml的几个特征：

既然XML也是一种语言，所以XML也是一种基于文本的结构化格式；
既然XML也是标记语言，那么你当然可以自定义标签名，或者我们叫“元素名”。比如，我们可以自定义标签名为<seg>，<source>等。

既然标签名是自定义的，那么在用CAT工具翻译的时候就需要明确标签的名称；

当然，有的名称来源于XML文件本身，但是有些来源于用于创建XML文件的定义文件，如 DTD（document type definition文档类型定义）文件， XSD（XML SCHEMA Definition）文件（定义XML文档的合法构建模块）。
XML是用来传输和存储数据的，不是用来显示数据的，所以XML文档不包含格式或者布局信息，没有HTML布局明确；

既然XML不包含格式或者布局信息，那译员如果要预览布局怎么办呢？就需要借助XSLT（transformation style sheet）文档，XML文档转换为XHTML文档或其他XML。

既然XML也是SGML，那么XML当然要遵循SGML的规范。

我们一起来看一个xml文档。

06 xml文档

第一行有XML声明，定义了xml当前的版本（1.0）和编码（utf-8）；
```
<?xml version="1.0"? encoding="utf-8">
```
第二行描述文档的根元素，就像在告诉你，“hey，我是个例子而已嘛~”

当然最后一行是根元素的关闭标签。
```
<sample>
```

接下来有描述根元素的子元素

<document>
<topic>
	...
</topic>
</documen>

当然，也有描述<topic>的子元素

13 子元素

这样，就构成了一个完整的xml文档啦~

但是如果你不是搞编程的或者不是工程师，你可能根本还是听不懂我在说什么。（说实话，我也是搞了好久才弄清楚这些语言）

但是！这也没关系，作为一名翻译，或者作为一名本地化项目经理，你只需要认识文档，知道哪些该翻译哪些不该翻译，也就是看懂文档的结构，会解析文档就可以了。

所以今天，我们先立个小目标，将XML的元素、标签、属性、条件和实体搞明白，让你更加清楚地认识一个xml文档，知道哪些该翻译，哪些不该翻译。

我们拿上文提到的这个xml，给大家举例。

06 xml文档

这是怎么组成的呢？

1.2 XML文档的构成？

1.2.1 声明语句

XML声明是XML文档的第一句，描述了版本号和编码，其格式如下：

<?xml version="1.0" encoding="utf-8"?>

你可以理解为这是xml的自我介绍：

“Hi，我是一个xml文档的1.0版本，是utf-8编码格式。”

1.2.2 元素、标签和属性

1.2.2.1 什么是元素

我们把代码片段中，从最左侧的尖括号到最右侧的尖括号之间的所有内容称为“元素”，英文名是Element，是XML文档中很重要的组成部分。

XML元素包括标签、文本、属性、注释等等，比如：<text>Introduction</text>，这就是一个元素。

一个xml文档可能包含很多的元素。

我们先来看看标签。

1.2.2.2 什么是标签

关于标签，你需要了解：

标签是什么？标签，或者标记，就是你看到的尖括号括起来的部分，一个标签=一个左尖括号+元素名+一个右尖括号。比如：<text>和</text>，都是标签，标签名是text。标签名一般不翻译。
标签有开始标签和结束标签之分，在这个例子中，<text>是开始标签，</text>是结束标签。
具有同一个标签名的“开始标签+结束标签”是一对标签对，比如：<text></text>是一对。

标签对之间的文本，我们称为元素内容。

1.2.2.3 什么是文本

关于文本，你需要了解：

元素内容一般是需要翻译的文本。比如，在这个例子中：Introduction才是要翻译的文本。

14 什么是标签？

但是有时元素内容也可以不翻译，比如图中的“5-2b”就不需要翻译。
当然，有时候文本之间也有行内标签对的存在，比如图中的<emphasis></emphasis>标签对。

15 有行内标签

有时候因为元素内容为空，比如：<text></text>，有时把这样的标签也可写成<text/>（斜杠在元素名称后面），这样的元素我们称为空标签，或者独立标记。

你可能会问，空标签还需要翻译吗？——也要分析，我们往下看。

但是文本并不是你想写啥就写啥，有时候得换个写法才能呈现你想写的内容，也就是得改为实体。

1.2.2.4 什么是实体

关于实体，你只需要了解：

XML规范规定，如果下列字符出现在要显示的文本中(在我们的例子中是要翻译的)，它们应该写成实体。

如果你想要	你需要改为：
< (小于号)	`•<`
> (大于号)	`>`
&(和)	`•&`
' (英文单引号)	`•'`
'' (英文双引号)	`•"`

如果你看不懂，我举个例子。
如果你想要这个文本：

20 想要的文本
你的XML应该怎么写呢？
21 xml的文本

看见了吗？大于号不是>，而是>，单引号不是'，而是'。这就是实体。

这告诉我们什么呢？——如果你在xml中遇到了实体，是不是要考虑在翻译的过程中把这些实体设置为标签呢？

如何设置标签，参见：正则表达式篇（六）：用正则将文本标记为标签

1.2.2.5 什么是属性

关于属性，你需要了解：

属性是什么呢？有时我们会给标签加一些详细的描述，这些描述就是属性，你可以理解为标签的注释。
如果是成对标签，属性一般放在开始标签的标签名后面；当然如果是空标签的话，属性会跟在标签名后面。
属性由属性名+=（等号）+英文单引号/双引号+属性值组成。比如这样一个标签：<button value="Cancel" />，这个标签的意思是：
- 这是一个空标签，标签名是button
- 有一个value的属性，属性值是cancel。
在遇到有属性值的标签时，要分析属性值是否要翻译。

比如，我们看一个属性值需要翻译的标签：
- 标签名是text
- 有一个info属性
- info属性值是overview，需要翻译。
以及一个属性值不需要翻译的标签：
- 标签名是image
- 有一个src属性
- src属性值是sample.jpg，不需要翻译，保留原文
有时候属性可能代表某些条件，可以应用于标签或行内标签之间的文本。比如下图中，
- 第一行，只有遇到translate标签是yes的时候，文本才需要翻译；
- 第二行，只有遇到translate的属性值是tes的时候，另一个value的属性值才需要翻译。