Pubmed文獻(xiàn)的檢索與自動(dòng)格式化

■王紅劍 高愛(ài)英

1）中華醫(yī)學(xué)會(huì)雜志社，東四西大街42號(hào) 100710，E-mail：spiderking@cma.org.cn

2）人民軍醫(yī)出版社，復(fù)興路22號(hào)甲3號(hào) 100842，E-mail：gaoay@sohu.com

醫(yī)學(xué)領(lǐng)域經(jīng)常需要檢索PUBMED數(shù)據(jù)庫(kù)文獻(xiàn)，如果作者逐條通過(guò) “http：//www.ncbi.nlm.nih.gov/pubmed/”網(wǎng)站檢索PUBMED數(shù)據(jù)庫(kù)非常費(fèi)時(shí)；由于網(wǎng)頁(yè)展現(xiàn)的文獻(xiàn)格式與期刊文獻(xiàn)著錄格式大不相同，作者通常需要按照著錄格式分別提取文題、期刊等信息。當(dāng)論文編校時(shí)，編輯又要依照文獻(xiàn)格式分別核對(duì)不同信息。每篇論文的文獻(xiàn)，作者與編校人員都要耗費(fèi)大量的時(shí)間精力，由于文獻(xiàn)編校時(shí)全部為人工處理，因此不能保證其正確性。國(guó)內(nèi)不少作者使用Endnote等軟件進(jìn)行文獻(xiàn)檢索，此軟件功能強(qiáng)大，國(guó)內(nèi)也有漢化和綠色版本（圖1）。筆者在使用時(shí)發(fā)現(xiàn)，如果僅僅檢索PUBMED文獻(xiàn)時(shí)，此軟件則使用頗為不便，檢索后的文獻(xiàn)按字段顯示，需要逐元素按參考文獻(xiàn)格式書(shū)寫(xiě)。鑒于以上原因，筆者按照中華醫(yī)學(xué)會(huì)系列雜志的文獻(xiàn)著錄格式編寫(xiě)了“紅劍檢索”程序，并且將此程序上傳至“中華醫(yī)學(xué)網(wǎng) http：//www.medline.org.cn”。 當(dāng)作者與編輯共同利用此程序時(shí)，可以保證檢索到的文獻(xiàn)的準(zhǔn)確性，節(jié)省了大量的人力物力[1-4]。

1 PUBMED數(shù)據(jù)庫(kù)文獻(xiàn)概述

1.1 PUBMED網(wǎng)站文獻(xiàn)概述

PubMed是美國(guó)國(guó)家醫(yī)學(xué)圖書(shū)館（NLM）所屬的國(guó)家生物技術(shù)信息中心（NCBI）基于WEB的生物醫(yī)學(xué)信息檢索系統(tǒng)。醫(yī)學(xué)領(lǐng)域作者撰寫(xiě)論文時(shí)一般會(huì)到其網(wǎng)站上檢索參考文獻(xiàn)，每一條文獻(xiàn)檢索后顯示的方式都基本相同（圖2）。第一部分為期刊信息，例如“J Am Chem Soc，2008 Mar 19，130（11）：3645-51.”，其后為文題“Synthesis of dihydropyridines and pyridines from imines and alkynes via C-H activation”，第三部分是作者“Colby DA，Bergman RG，Ellman JA.”，隨后則是 Source及Abstract信息。

仔細(xì)分析這幾部分顯示信息，筆者發(fā)現(xiàn)，雖然國(guó)內(nèi)期刊文獻(xiàn)著錄所需 “作者”、“文題”、“期刊”元素都可以查到，但是撰寫(xiě)文獻(xiàn)時(shí)會(huì)遇到2個(gè)問(wèn)題。首先是元素順序問(wèn)題，國(guó)內(nèi)文獻(xiàn)著錄是嚴(yán)格按照“作者、文題、期刊”這3段書(shū)寫(xiě)，顯然網(wǎng)頁(yè)所提供的順序與著錄格式完全不同；其次是元素詳盡程度不同，例如期刊元素一般著錄只需要“卷”，而“期”一般可以省略。

1.2 PUBMED網(wǎng)站文獻(xiàn)源代碼分析

為了詳盡的了解網(wǎng)頁(yè)文獻(xiàn)的信息，筆者利用UltraEdit軟件以文本方式打開(kāi)了一篇參考文獻(xiàn)（圖3）。由于是HTML格式文件，因此文件中文獻(xiàn)“內(nèi)容”與文獻(xiàn)“格式”混合在一起。例如我們可以查找到文題信息“ArticleTile：The……”，期刊信息“Citation：JAm Chem Soc 2008……”，文件中同樣混合了“imageStrip（）bj.minWith=410”等格式說(shuō)明。

如果要利用VB等程序處理這些雜亂的內(nèi)容將會(huì)極為困難，首先要分離網(wǎng)頁(yè)的“內(nèi)容”與“格式”，其次才能再加工文獻(xiàn)“內(nèi)容”。經(jīng)過(guò)簡(jiǎn)單的算法嘗試，這幾乎是不可能完成的任務(wù)。由于HTML本身的局限性，通行的數(shù)據(jù)存儲(chǔ)與傳輸都會(huì)采用更為先進(jìn)的XML格式。果然，經(jīng)過(guò)詳盡的網(wǎng)站搜索，筆者發(fā)現(xiàn)了PUBMED提供了相同文獻(xiàn)的XML顯示（圖3）。

圖1 漢化版Endnote檢索參考文獻(xiàn)

圖2 常規(guī)網(wǎng)頁(yè)顯示PUBMED文獻(xiàn)

圖3 網(wǎng)頁(yè)源代碼顯示文獻(xiàn)

1.3 PUBMED網(wǎng)站文獻(xiàn)XM L格式規(guī)范

相對(duì)于HTML的無(wú)序，XML格式下的文獻(xiàn)非常規(guī)范。例如“＜Id＞18302381＜/Id＞”，顯示了文獻(xiàn)的PMID號(hào)，＜Item Name=”AuthorList” Type=”List”＞＜/Item＞……這部分則是以“屬性”的方式列出了“作者群”、“作者”信息。雖然PUBMED中的XML文件對(duì)于不同元素采用了成員及屬性的不同方法，但是這些內(nèi)容都可被程序處理（圖4）。

圖4 XM L格式中作者及PM ID等標(biāo)記

筆者考慮如果利用XML現(xiàn)有的工具軟件或者插件處理XML文件可能將十分容易，但是對(duì)于操作系統(tǒng)和軟件要求可能會(huì)較高，同時(shí)會(huì)降低軟件易用性。經(jīng)過(guò)比較，筆者最終使用最為簡(jiǎn)單的 VB（Visiual Basic 6.0）編制軟件。軟件命名為“紅劍檢索”，經(jīng)過(guò)數(shù)年的修定，最新版本為Ver2.1。

2 文獻(xiàn)檢索軟件編制

2.1 “紅劍檢索”軟件中字段定義

首先定義一系列的程序變量，例如“a、b、c、d……”等，利于后期的程序運(yùn)行，其次按照著錄格式字段定義全部的字符串變量。變量名稱“Id”、“Pubdate”、“Source”……全部按照 PUBMED網(wǎng)站XML元素值定義，對(duì)應(yīng)于參考文獻(xiàn)所需字段則分別列出說(shuō)明“PMID號(hào)”、“出版日”、“出版源”……，由于XML大小寫(xiě)敏感，因此定義變量時(shí)嚴(yán)格大小寫(xiě)字母（圖5）。

2.2 “紅劍檢索”軟件中字段操作

當(dāng)定義好不同字段，即可以按照這些字段到檢索到的XML文件中檢索相應(yīng)的元素值。從XML的成員顯示中，筆者利用VB的字符串處理函數(shù)“InStr”、“Right”、“Len”得到變量“Title”值，此值即是參考文獻(xiàn)中的字段元素“文題”。同理，筆者依次得到文獻(xiàn)的“年”、“卷”、“頁(yè)”等不同字段值（圖6）。

圖5 VB程序設(shè)計(jì)中的字段定義

圖6 VB程序設(shè)計(jì)中字段的操作

2.3 “紅劍檢索”軟件中文獻(xiàn)生成

取得參考文獻(xiàn)的不同元素值后，則可按照文獻(xiàn)格式進(jìn)行整合。筆者按照中華醫(yī)學(xué)會(huì)系列雜志的著錄規(guī)范依次輸出以上變量：“作者.文題.期刊名稱，年，卷，起頁(yè)-止頁(yè).”。由于是程序輸出，因此文獻(xiàn)的格式化也同時(shí)完成。不僅文獻(xiàn)輸出的內(nèi)容、順序這2個(gè)前文提到的問(wèn)題得以解決，同時(shí)文獻(xiàn)中最不易發(fā)現(xiàn)而且格式化中頗為頭痛的標(biāo)點(diǎn)符號(hào)問(wèn)題也完美解決。一般作者與編輯在輸入文獻(xiàn)的標(biāo)點(diǎn)時(shí)不易區(qū)別標(biāo)點(diǎn)中的全角“，”與半角“，”，而且無(wú)論中英文文獻(xiàn)，都不可以用句號(hào)“。”而必須用半角的“.”。筆者在程序在字符串連接時(shí)嚴(yán)格定義了全半角標(biāo)點(diǎn)，因此不會(huì)產(chǎn)生此類(lèi)錯(cuò)誤，因?yàn)樗麄兊腁SCII碼完全不同。

3 文獻(xiàn)檢索軟件使用

3.1 瀏覽XM L源文件

“紅劍檢索”軟件提供了XML源文件的瀏覽功能，當(dāng)使用者點(diǎn)擊標(biāo)簽“PUBMED瀏覽”時(shí)，下面的文本框會(huì)顯示出XML格式文獻(xiàn)（圖7）。由于是純文本顯示，因此這些內(nèi)容可以被復(fù)制粘貼，也可以再做后期的處理，這也為后期的再開(kāi)發(fā)留下了必要的接口。

圖7 紅劍檢索程序?yàn)g覽文獻(xiàn)源文件

3.2 獲取PM ID與DOI

獲取PMID與DOI是“紅劍檢索”軟件的核心功能之一，當(dāng)使用者不能提供PMID或者DOI這些數(shù)據(jù)庫(kù)惟一標(biāo)識(shí)時(shí)，只能借助“模糊檢索”取得惟一標(biāo)識(shí)。根據(jù)筆者多年P(guān)UBMED手工檢索經(jīng)驗(yàn)，一般給出“姓名 年 卷 起頁(yè)”基本可以惟一確定到單條文獻(xiàn)，因此軟件給出了檢索的范例文本“James nd 2006 9 221”。

如果編輯在日常工作中遇到錯(cuò)誤的元素信息，例如常見(jiàn)的姓名縮寫(xiě)，期刊的卷與期的混淆，那么可以變換輸入的信息再進(jìn)行“模糊檢索”。此時(shí)，輸入文題中的文本再加上出版年、起頁(yè)信息后單擊軟件中的“模糊檢索”一般也可以搜索到相應(yīng)文獻(xiàn)（圖8）。經(jīng)過(guò)上面的步驟后，軟件將得到一個(gè)準(zhǔn)確的PMID號(hào)，例如“24192778”，如果文獻(xiàn)已經(jīng)被DOI標(biāo)注，則 DOI號(hào) 也 會(huì) 顯 示，例 如 “10.1039/c3cc47560c”。

3.3 文獻(xiàn)自動(dòng)格式化及輸出

當(dāng)我們利用模糊檢索得到PMID或者DOI號(hào)后，文獻(xiàn)便可以惟一的確定。當(dāng)我們?cè)谲浖腜MID文本框中輸入“18302399”，再點(diǎn)擊“精確檢索”命令后便可以得到正確的參考文獻(xiàn)“Vintonyak VV，Maier ME.Formal total synthesis of neopeltolide.Org Lett， 2008， 10：1239-1242.”（圖9）。

圖8 紅劍檢索程序中模糊檢索

圖9 利用PM ID或DOI檢索及格式化

雖然DOI是應(yīng)用更為廣泛的惟一標(biāo)識(shí)，并且無(wú)論是否為PUBMED文獻(xiàn)，都可以使用DOI進(jìn)行檢索，但是如果只是檢索PUBMED文獻(xiàn)，筆者更傾向使用PMID號(hào)進(jìn)行檢索。由于DOI一般是數(shù)字與字母的組合，不容易錄入，而PMID通常是7到8位的數(shù)字，方便輸入；另外并非所有的PUBMED文獻(xiàn)都擁有DOI號(hào)，這取決于各期刊原始文獻(xiàn)是否申請(qǐng)了DOI號(hào)，而且還可能會(huì)有時(shí)滯問(wèn)題，但是每一篇PUBMED一定擁有PMID號(hào)。

如上所述，模糊檢索取得PMID號(hào)，其后再利用PMID或者DOI號(hào)進(jìn)行檢索是一個(gè)完整的解決方案，但是如果直接利用PMID號(hào)進(jìn)行準(zhǔn)確的文獻(xiàn)檢索和輸出是一個(gè)最為簡(jiǎn)單高效的過(guò)程。編輯實(shí)踐中，筆者在稿件退修時(shí)便要求作者提供每一條英文文獻(xiàn)的PMID號(hào)，這樣編輯再校對(duì)文獻(xiàn)時(shí)便可以直接精確檢索和輸出文獻(xiàn)，節(jié)省了大量的時(shí)間。如果軟件大規(guī)模推廣，編輯與作者能共同使用，那么即使不再進(jìn)行英文文獻(xiàn)的校對(duì)，也可以保證文獻(xiàn)的準(zhǔn)確性。

4 小結(jié)

“紅劍檢索”這款單文件綠色軟件簡(jiǎn)單實(shí)用，其中2.1版本上傳至中華醫(yī)學(xué)會(huì)雜志社的官網(wǎng)“中華醫(yī)學(xué)網(wǎng)http：//www.medline.org.cn”，筆者及同事經(jīng)過(guò)數(shù)年使用，取得較好的效果。如果編輯及作者全面使用此軟件，那么PUBMED文獻(xiàn)的檢索與著錄問(wèn)題將會(huì)基本解決。由于國(guó)內(nèi)的中文醫(yī)學(xué)文獻(xiàn)分布在萬(wàn)方、同方等不同數(shù)據(jù)庫(kù)中，并且這些數(shù)據(jù)庫(kù)未提供開(kāi)放的數(shù)據(jù)格式標(biāo)準(zhǔn)，因此筆者無(wú)法編寫(xiě)相應(yīng)的中文文獻(xiàn)檢索程序。在編輯實(shí)踐中，英文文獻(xiàn)可以保證其準(zhǔn)確性，但是國(guó)內(nèi)文獻(xiàn)，甚至即使是中華醫(yī)學(xué)會(huì)自身的文獻(xiàn)也無(wú)法自動(dòng)檢索與格式化，這也從一個(gè)側(cè)面反映出國(guó)內(nèi)數(shù)字出版的不足。只有當(dāng)中文文獻(xiàn)也能同PUBMED文獻(xiàn)一樣做到論文數(shù)據(jù)碎片化標(biāo)識(shí)，并且遵循國(guó)際通用的數(shù)據(jù)存儲(chǔ)與傳輸標(biāo)準(zhǔn)，論文的文獻(xiàn)檢索才可以保證準(zhǔn)確與高效。

1 高愛(ài)英，王紅劍.利用Word實(shí)現(xiàn)自動(dòng)更正批量處理.中國(guó)科技期刊研究，2013，24（6）：1148-1150

2 沈錫賓，顧恬，呂小東.國(guó)外一基于XML的科技期刊出版工作流個(gè)案剖析.中國(guó)科技期刊研究，2011，22（4）：581-583

3 高愛(ài)英，王紅劍.利用Word程序?qū)崿F(xiàn)彩圖位置的優(yōu)化.編輯學(xué)報(bào)，2010，22（2）：167-169

4 王紅劍，高愛(ài)英，游蘇寧.利用WORD進(jìn)行自動(dòng)編校.中國(guó)科技期刊研究，2009，20（3）：502-503