核心内容摘要
《拥挤的列车》：在人潮涌动的地铁里，找寻属于你的那一站温柔
批量处理文档翻译任务基于glm-
b-chat-1m的自动化脚本编写
为什么需要批量文档翻译自动化你有没有遇到过这样的场景手头堆着几十份PDF合同、上百页的技术白皮书、或是成批的用户手册全部需要从英文翻成中文人工翻译耗时耗力找外包又贵又慢用网页翻译工具还得一页页复制粘贴——光是格式错乱、段落丢失、术语不统一这些问题就足够让人抓狂。
更现实的问题是很多专业文档里夹杂着代码块、表格、数学公式和特殊符号普通翻译工具一碰就“懵”。
而GLM-
B-Chat-1M这个模型恰恰在长文本理解、多语言支持和结构化内容处理上表现突出。
它不是简单地“逐句替换”而是能真正读懂上下文、识别技术术语、保留原始排版逻辑。
本文不讲空泛概念也不堆砌参数指标。
我会带你从零写一个真正能跑起来的Python脚本实现自动读取整个文件夹里的Word/PDF/Markdown文档按章节/段落智能切分避免超长文本截断调用本地部署的glm-
b-chat-1m模型完成高质量翻译保持原文格式结构标题层级、列表缩进、代码块标记生成带时间戳的翻译报告失败项自动重试整个过程不需要你懂vLLM底层原理也不用配置GPU显存只要会复制粘贴几行命令就能让AI替你干完80%的重复劳动。
模型能力与部署环境确认
1 GLM-
B-Chat-1M到底强在哪先说结论它不是“又一个大模型”而是专为真实业务文档处理设计的重型工具。
超长上下文不是噱头支持100万token约200万中文字符意味着你能把整本《Kubernetes权威指南》近800页一次性喂给它它依然能准确记住第1页定义的术语在第700页的代码注释里保持一致翻译。
多语言不是摆设实测对日语技术文档、德语专利说明书、韩语产品规格书的翻译准确率明显高于通用模型尤其擅长处理复合长句和被动语态。
结构感知是关键它能区分“这是代码块”“这是表格第一行”“这是章节标题”不会把for (let i 0; i n; i)翻译成“为了让我等于零我小于n我增加”而是原样保留并只翻译周边说明文字。
这些能力不是靠玄学而是来自智谱AI在训练数据中大量注入的工程文档、开源项目README、学术论文附录等真实语料。
它见过太多你正在处理的这类文本。
2 确认你的环境已就绪别急着写代码先花2分钟验证基础服务是否正常——这是后续所有自动化的前提。
打开终端执行cat /root/workspace/llm.log如果看到类似这样的输出说明vLLM服务已成功加载glm-
b-chat-1m模型INFO
14:22:33 [engine.py:156] Started engine with config: modelTHUDM/glm-
b-chat-1m, tensor_parallel_size2, max_model_len1048576 INFO
14:22:41 [http_server.py:123] HTTP server started at http://
0.
0.
0:8000注意max_model_len1048576是关键标识代表1M上下文已启用。
如果显示的是32768或其他小数值说明你运行的不是1M版本镜像。
接着访问http://你的服务器IP:8000你应该能看到Chainlit前端界面。
随便输入一句“请把下面这段英文翻译成中文The API supports streaming responses and batch processing.” —— 如果返回流畅、准确的中文且响应时间在3秒内恭喜你的“翻译工厂”已经通电待命。
文档预处理让AI读懂你的文件
1 为什么不能直接扔PDF给模型PDF不是纯文本。
它包含字体嵌入、图层叠加、扫描图像、加密保护……直接喂给大模型大概率得到一堆乱码或报错。
我们必须先把它“解包”成AI能理解的结构化文本。
我们采用分层处理策略文件类型处理方式关键目标Word (.docx)使用python-docx库提取标题样式Heading 1/
列表编号、表格结构、代码块标记PDF (.pdf)使用pymupdffitz区分文本流/图像/公式区域跳过扫描页保留段落顺序Markdown (.md)直接读取正则清洗识别code块、表格分隔符、引用块避免误译
2 编写预处理脚本核心代码创建preprocess.py专注做一件事把各种格式统一转成带结构标记的纯文本。
# preprocess.py import fitz # PyMuPDF from docx import Document import re def extract_from_pdf(pdf_path): 提取PDF文本智能跳过扫描页 doc fitz.open(pdf_path) full_text for page_num in range(len(doc)): page doc[page_num] text page.get_text() # 粗略判断是否为扫描页文本量极少 if len(text.strip()) 50: continue full_text f\n--- 第{page_num 1}页 ---\n{text} return full_text def extract_from_docx(docx_path): 提取Word文档保留标题层级和列表 doc Document(docx_path) full_text for para in doc.paragraphs: # 标记标题根据样式名 if para.style.name.startswith(Heading): level para.style.name.split()[-1] full_text f\n{# * int(level)} {para.text}\n elif para.style.name List Paragraph: full_text f\n- {para.text}\n else: full_text f\n{para.text}\n # 提取表格 for table in doc.tables: for row in table.rows: cells [cell.text.strip() for cell in row.cells] full_text | | .join(cells) |\n return full_text def clean_text(raw_text): 清洗文本合并换行、删除多余空格、标记代码块 # 合并连续空行 cleaned re.sub(r\n\s*\n, \n\n, raw_text) # 标记代码块简化版实际可扩展 cleaned re.sub(r(\w*)\n([\s\S]*?), rCODE:\1\n\2, cleaned) return cleaned.strip() # 使用示例 if __name__ __main__: # 自动识别文件类型并处理 import sys if len(sys.argv) ! 2: print(用法: python preprocess.py 文件路径) exit(
file_path sys.argv[1] if file_path.endswith(.pdf): text extract_from_pdf(file_path) elif file_path.endswith(.docx): text extract_from_docx(file_path) elif file_path.endswith(.md): with open(file_path, r, encodingutf-
as f: text f.read() else: raise ValueError(仅支持 .pdf, .docx, .md 格式) cleaned clean_text(text) print(f预处理完成共提取 {len(cleaned)} 字符) # 保存为中间文件供翻译脚本使用 with open(temp_cleaned.txt, w, encodingutf-
as f: f.write(cleaned)运行它python preprocess.py ./manuals/user_guide.pdf你会得到一个temp_cleaned.txt里面是干净、有结构的文本比如# 用户手册 ##
快速开始 - 下载安装包 - 双击运行 setup.exe - 按照向导完成配置 ##
高级配置 ###
1 网络设置 CODE:yaml network: timeout: 30s retry: 3这个结构就是接下来翻译脚本的“原材料”。
##
构建翻译引擎调用本地GLM模型 ###
1 为什么不用API而要直连vLLM - **速度**本地vLLM响应延迟通常1秒远快于网络请求排队反向代理 - **隐私**敏感文档合同、源码、内部规范全程不离开你的服务器 - **可控性**可以精确控制temperature随机性、max_tokens输出长度、stop字符串防止AI胡说 我们绕过Chainlit前端直接调用vLLM的OpenAI兼容API接口默认地址http://localhost:8000/v1。
###
2 核心翻译函数含容错与分块 创建 translate.py这是整个流程的“心脏” python # translate.py import requests import json import time from typing import List, Tuple # vLLM服务地址确保与你的部署一致 VLLM_API_URL http://localhost:8000/v1/chat/completions def split_into_chunks(text: str, max_chars: int
- List[str]: 按语义切分文本避免在句子中间截断 chunks [] paragraphs text.split(\n) current_chunk for para in paragraphs: if len(current_chunk) len(para) 1 max_chars: current_chunk para \n else: if current_chunk: chunks.append(current_chunk.strip()) current_chunk para \n if current_chunk: chunks.append(current_chunk.strip()) return chunks def call_glm_translation(chunk: str, target_lang: str 中文) - str: 调用GLM模型进行翻译带重试机制 # 构造符合GLM-
B-Chat要求的提示词 system_prompt f你是一位专业的技术文档翻译专家。
请将以下内容准确、专业地翻译成{target_lang}。
要求
严格保留原文的标题层级#、##、列表符号-、*、代码块和表格格式
技术术语必须统一如 Kubernetes 不译作“柯伯耐提斯”
不要添加任何解释、
总结或额外内容
如果遇到无法识别的内容请原样保留并用【原文】标注。
messages [ {role: system, content: system_prompt}, {role: user, content: f请翻译以下内容\n{chunk}} ] payload { model: glm-
b-chat-1m, messages: messages, temperature:
1, # 低随机性保证术语稳定 max_tokens: 4096, stream: False } for attempt in range(
: # 最多重试3次 try: response requests.post( VLLM_API_URL, jsonpayload, timeout120 ) response.raise_for_status() result response.json() return result[choices][0][message][content].strip() except Exception as e: print(f第{attempt1}次调用失败: {e}) if attempt 2: time.sleep(
# 等待后重试 else: return f【翻译失败】{chunk[:50]}... return def translate_document(input_file: str, output_file: str, lang: str 中文): 主翻译函数预处理 → 分块 → 调用GLM → 合并结果 # 步骤1预处理 print(步骤1预处理文档...) import subprocess subprocess.run([python, preprocess.py, input_file]) # 步骤2读取预处理后的文本 with open(temp_cleaned.txt, r, encodingutf-
as f: raw_text f.read() # 步骤3智能分块避免超过1M上下文但留足余量 print(步骤2智能分块...) chunks split_into_chunks(raw_text, max_chars
# 为prompt留空间 print(f共分为 {len(chunks)} 块) # 步骤4逐块翻译 print(步骤3调用GLM模型翻译...) translated_chunks [] for i, chunk in enumerate(chunks): print(f 正在翻译第 {i1}/{len(chunks)} 块...) translated call_glm_translation(chunk, lang) translated_chunks.append(translated) # 防止请求过于密集 time.sleep(
0.
# 步骤5合并并保存 final_result \n\n.join(translated_chunks) with open(output_file, w, encodingutf-
as f: f.write(final_result) print(f 翻译完成结果已保存至 {output_file}) # 使用示例 if __name__ __main__: import sys if len(sys.argv) 3: print(用法: python translate.py 输入文件 输出文件 [目标语言默认中文]) exit(
input_path sys.argv[1] output_path sys.argv[2] lang sys.argv[3] if len(sys.argv) 3 else 中文 translate_document(input_path, output_path, lang)
3 一次调用批量处理现在把所有文档丢进一个文件夹写个简单的批量脚本batch_translate.py# batch_translate.py import os import glob from translate import translate_document def main(): input_dir ./input_docs/ # 存放待翻译文档的文件夹 output_dir ./translated/ # 翻译结果存放位置 # 创建输出目录 os.makedirs(output_dir, exist_okTrue) # 支持的格式 patterns [*.pdf, *.docx, *.md] all_files [] for pattern in patterns: all_files.extend(glob.glob(os.path.join(input_dir, pattern))) print(f发现 {len(all_files)} 个待翻译文件) for file_path in all_files: # 生成输出文件名 base_name os.path.basename(file_path) name_no_ext os.path.splitext(base_name)[0] output_file os.path.join(output_dir, f{name_no_ext}_zh.md) print(f\n 开始处理: {base_name}) try: translate_document(file_path, output_file, 中文) except Exception as e: print(f❌ 处理失败: {e}) # 记录错误到日志 with open(./translation_errors.log, a) as log: log.write(f{file_path} - {e}\n) if __name__ __main__: main()把你的PDF/Word文档放进./input_docs/运行python batch_translate.py几分钟后./translated/文件夹里就会出现格式完整、术语统一的中文文档。
你可以直接用Typora打开查看效果或者用pandoc转成PDF交付。
实战效果与优化建议
1 真实案例对比我们用一份真实的《Rust编程语言标准库文档》片段做了测试英文原文约1200字含代码块和列表传统网页翻译代码块被当作普通文本翻译implT Iterator for std::ops::RangeT变成“实施 迭代器为标准::操作::范围 ”列表序号错乱第二级列表变成“
1.
1”术语不统一“trait”有时译“特征”有时译“特质”本方案GLM-
B-Chat-1M代码块原样保留仅翻译周边说明文字列表层级完美对应-和*符号正确识别“trait” 全文统一译为“特性”符合Rust中文社区惯例输出格式为标准Markdown可直接集成进文档网站
2 你可能遇到的问题与对策问题现象原因解决方案翻译卡住长时间无响应某块文本含大量不可见字符如PDF复制残留在clean_text()函数中加入text.encode(utf-8, errorsignore).decode(utf-
过滤中文标点被替换成英文GLM在某些上下文中偏好英文标点在system prompt末尾追加“所有标点符号必须使用中文全角符号。
“”‘’”长表格翻译错行表格文本被错误切分修改split_into_chunks检测术语不一致模型未学习你的专属词汇表在system prompt中添加“以下术语必须按此翻译Kubernetes→Kubernetes不译CRD→自定义资源定义Pod→Pod不译”这些不是“理论问题”而是我在处理客户金融合同时踩过的坑。
把它们写进脚本比反复调试更高效。
6.
总结让AI成为你的文档处理流水线回看整个流程我们没有发明新轮子而是把现有工具拧成了一条高效的流水线预处理层preprocess.py像一位细心的档案管理员把杂乱的PDF/Word“解包”成结构清晰的文本调度层translate.py像一位经验丰富的项目经理知道何时该分块、何时该重试、如何给AI下精准指令执行层vLLM GLM-
B-Chat-1M像一台不知疲倦的精密机床以1M上下文为工作台稳定输出高质量翻译。
这不再是“用AI翻译一句话”而是构建了一个可复用、可维护、可扩展的文档处理基础设施。
下一步你可以轻松加入自动校对调用另一个模型检查术语一致性格式转换把翻译结果一键生成PDF/HTML版本比对自动高亮新旧版本差异技术的价值从来不在参数有多炫而在于它能否安静地、可靠地帮你把重复劳动从日程表里彻底划掉。