整理只有大小写不同的译文修改列表 - 正则表达式妙用之2

最近两个月多月都在进行一个将近300页的中文出版物的编校和排版工作，里面的内容是客户的人员从英文翻译过来的。

前一个多月，精力主要放在文字编校上。首先我用语料对齐工具，将英中文字进行段段对齐，将生成的翻译记忆库（其实成为bitext更贴切）导入memoQ点LiveDocx，继而对已导入memoQ的Indesign IDML文件进行预翻译，然后逐段对文字进行核对，主要是纠正个别未对齐的句段和恢复排版标记（我称之为解决“技术问题”），以及更正文字错漏，包括不一致的译法（我称之为解决”翻译错误”）。

在七千多句段中，发现了几百处翻译错误，我还是小有成就感的。在与客户进行几轮意见交换后，在memoQ里对其中大部分错漏进行了更正，还有几十个不太好确定或牵一发而动全身的问题，姑且标出来，留作后续编校流程再做决定。关于借助memoQ的Comment功能进行意见交换，我会在日后专门写一篇文章，做详细介绍。

等文字定稿后，我就从memoQ导出中文的IDML文件，再导入Indesign，进入排版流程。排版流程非常高效，一周时间就搞定了，这主要归功于排版前所做的标记恢复工作，以及导入IDML文件后马上进行的复合字体以及字符和段落风格导入工作。这些导入内容都是从前类似项目中用过的，只需一两分钟即可完成导入。完成这个步骤之后，可以立刻看到大致的排版效果，又是一个非常爽的体验呀！

在用Indesign完成第一稿排版之后，我导出PDF发给客户进行预览，主要是供客户对整体效果进行评估，而整体效果则是基于较为严格的风格映射，即字形、字号、行距、段距、分页，等等。在发出包含预览PDF的邮件不久，我依旧闲不住，就又对译文进行核对。我又发现了近百处错漏，除了个别技术性的，大部分还是译文本身的问题。这些问题不算多，但另一个新发现的系统性问题，却让我不寒而栗！

我发现一些保留不翻译的文章标题和书籍名称，大小写很一致！我仔细对比了一下，似乎有一些规律，但又并非完全如此。我立刻给客户去邮件，她很快回复，解释说，他们那边各语种（英法西等）版本定稿过程中开了个会，最后决定各个语种自行决定大小写风格。这些语种定稿后，中文版本没可能没来的得及作相应修改，她的建议是根据英文校对的修改，相应在中文中进行修改。

看到她的建议，我的第一本能是，从memoQ中导出双列RTF格式，然后将原（英）文列和译（中）文列分别复制粘贴到文本对比工具 Diff-Match-Patch 中，然后浏览修改标记，发现保留不翻译的文字中的大小写不一致，就回到memoQ定位到相应句段，通过复制粘贴进行修改。我尝试了，发现非常繁琐。于是想到用正则。我对这个问题的描述如下：

1. 一个西文字符串；
2. 在忽略大小写的情况下，该字符串同时出现在原文和译文中
3. 该字符串尽可能长（包含一个或多个单词）
4. 分别在原文和译文中找到的同一字符串应当有大小写差异

前三个条件，用正则应当很好设置。马上操作！

首先，是对要操作的文件进行预处理，即：

1. 从memoQ中导出双语的RTF格式文件
   
2. 删除表头、序号列、状态列、将注释列清空，只保留了原文、译文和空的注释列，这是因为只有原文和译文参与操作。结果如下：
   
3. 将原文和译文列对调位置，这是因为这是英中翻译，正则需要先找到译文中的西文字符串，然后在原文中搜索这个字符串。结果如下：
   
4. 通过替换操作，将紫色标记全部删除（这是因为，这些紫色标记大多是字符风格控制和手工换行，对于我后面要替换的Indesign文件并无实际意义）：
   
   结果如下：
   
5. 选中整个表格，然后选 Layout > Convert to text， 将文件转换成以段落符号分隔的纯文字：
   
6. 将文件另存成UTF8编码的纯文本，备用。

 以上是文件的预处理过程，下面就是在RegexBuddy (一款非常好用的正则编辑工具）中编辑的正则 -

(?i)(.{5,99999})(?=[^\r\n]{0,99999}[\r\n]{1,2}[^\r\n]{0,99999}(\1))

- 及其详细解释：

其中最重要的就是，Group 1是在中文中搜到的西文字符串，Group 2 是在英文中搜到的大小写不同的同一字符串。下面是所有例子的列表：

请注意第一个例子，Crawford这个作者名，中文和英文中是一摸一样的，并无大小写差别，但是也被搜到了。这是意料中的，正则开始的 (?i) 就是将搜索设置为大小写不敏感，从而将所有相同内容的西文字符串（无论是否有大小写差异），全部搜到。

Regexbuddy作为正则编辑和调试工具，非常高效，但作为文件处理（比如将文件中的找到的分组字符串提取出来），却显得力不从心。这就需要统一作者编写的另一个正则工具 PowerGREP了。下面是提取结果：

这个列表包含大量一摸一样的字符串，当然不是我想要的，可以用 

(?-i)^(.+?)\t\1(\r\n)+

这个正则进行删除（替换为空）：

 结果如下：

 

最下面的，就是我想要的最终结果，即以制表符分隔的双列文本，左列是要搜索的文字，右列是要替换成的文字（两列内容一样，只不过大小写有区别）。置于替换操作，有一些工具可以使用，比如Transtools和OkapiFramework Rainbow：下面是我用前一个工具在Word中对双语RTF文件的替换结果。

这个替换过的RTF重新导入memoQ，就可以段原译文进行更新了！而对我之前提到的Indesign文件进行更新，也有两种方法可选。一是Indesign支持VB脚本编程，可以遍历那个列表进行替换；二是通过Rainbow的Search & Replace对另存的IDML进行替换。具体操作方法，本文省略，将来在相应专题中进行介绍。

PS：这些天，还在对这个项目的文字进行修改。现在新的问题是，出版物有个著作列表，正文中在引用其中某些著作时，将其中一些较长的标题缩略（以三个英文句号或三黑点字符表示），但译文部分，却没有完全遵守这个规范，而是有些标题用了全称。客户现在的要求，完全依照原文，为所有标题采用缩略形式。我用下列正则对原文进行筛选：

\b[A-Z][^\s]{1,20}[，,]\s*?“?[A-Z][^“”]{3,100}(…|\.\.\.)+”?(?!\s?\d{4,4})

并用下列正则对译文进行可选筛选：

([A-Z][^\s]{1,20}[，,]\s*?“?[A-Z][^“”]{3,100}(…|\.\.\.)+”?(?!\s?\d{4,4}))?

后一个正则就是将前一个正则开头的单词界限(word boundary)去掉了（因为中文汉字之间以及汉字和英文单词之间没有空格），将整个正则加上括号后后面加上一个问号，表示整个正则是可选的。筛选效果如下：