7英语借鉴了其他语言的词汇和短语,包括它们的口音,外来词可能会嵌入英文文本中,还有许多情况下使用了你可能意想不到的字符作为单位或专有名词(例如µ既是一个单位前缀,也是µTorrent的名称),这只是其中几个案例。我不确定你希望通过排除这些情况来获得什么样的收益,需要翻译的内容就是这些。 - Fred Nurk
我其实没有考虑过希腊字母、拉丁重音等问题 - 你说得好! - significance
2我对非常庞大的PubMed开放获取集合进行了一些语料库分析,你会惊讶于这些英文文本中使用的非ASCII Unicode代码点。其中7个最常出现的是“EN DASH”、“NO-BREAK SPACE”、“PLUS-MINUS SIGN”、“MINUS SIGN”、“EM SPACE”、“GREEK SMALL LETTER MU”、“GREEK SMALL LETTER BETA”和“GREEK SMALL LETTER ALPHA”,按照这个顺序排列。有许多来自“星际平面”的代码点,以及用于作者姓名的非拉丁文脚本。但那是高度技术性的生物医学科学论文。 - tchrist