XML結(jié)構(gòu)化數(shù)字出版的特點(diǎn)與流程

白杰　楊愛臣

XML結(jié)構(gòu)化標(biāo)引是傳統(tǒng)出版的數(shù)字化轉(zhuǎn)型核心，出版社的圖書或期刊資源只有通過XML結(jié)構(gòu)化轉(zhuǎn)換，才是真正意義上的數(shù)字化出版，才能為實(shí)現(xiàn)數(shù)字產(chǎn)業(yè)化、知識(shí)集成化發(fā)展打下堅(jiān)實(shí)基礎(chǔ)。

一、傳統(tǒng)出版機(jī)構(gòu)XML數(shù)字轉(zhuǎn)型的必要性

我國(guó)2014年6月發(fā)布的數(shù)字出版統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)的數(shù)字出版產(chǎn)業(yè)正處于高速增長(zhǎng)階段。另?yè)?jù)數(shù)據(jù)統(tǒng)計(jì)，全國(guó)584家出版社中有256家有數(shù)字出版相關(guān)產(chǎn)品，但其中只有102家設(shè)有數(shù)字出版機(jī)構(gòu)，這些出版社的數(shù)字化進(jìn)程，以大學(xué)出版社、科學(xué)技術(shù)出版社、教育出版社為代表走在前列。雖然發(fā)展勢(shì)頭良好，但由于類型單一、投資規(guī)模不大，沒有出現(xiàn)像愛思唯爾、施普林格那樣的數(shù)字出版企業(yè)。大多數(shù)傳統(tǒng)出版企業(yè)的數(shù)字出版仍然基于傳統(tǒng)出版模式，即單純的紙質(zhì)內(nèi)容數(shù)字化或電子化，只是載體形式的變化，而不是產(chǎn)品內(nèi)容結(jié)構(gòu)的變化，出版社沒有對(duì)內(nèi)容資源進(jìn)行多媒體呈現(xiàn)與集成化、結(jié)構(gòu)化處理[1]。

結(jié)構(gòu)化是數(shù)字轉(zhuǎn)型的核心，結(jié)構(gòu)化的首要環(huán)節(jié)是建立數(shù)字化標(biāo)準(zhǔn)，知識(shí)分類的基本單元不再基于某一篇文章，而是以文章結(jié)構(gòu)以及詞語為基本單元，通過語義標(biāo)簽對(duì)文章進(jìn)行結(jié)構(gòu)化處理。所以，結(jié)構(gòu)化標(biāo)準(zhǔn)是數(shù)字化過程中的重要標(biāo)準(zhǔn)之一，結(jié)構(gòu)化質(zhì)量的好壞直接影響數(shù)字化的水平。

在學(xué)術(shù)出版領(lǐng)域，各大數(shù)字出版廠商和數(shù)字圖書館也開始規(guī)劃構(gòu)建用于文獻(xiàn)存檔的XML規(guī)范，如NLM DTD、AIP（美國(guó)物理學(xué)會(huì)）、BMC、PlosOne等。

另外，文檔結(jié)構(gòu)化也是出版社實(shí)現(xiàn)數(shù)字化編輯系統(tǒng)的核心，數(shù)字編輯平臺(tái)無論是在工作效率上，還是在工作質(zhì)量上，都遠(yuǎn)遠(yuǎn)超過傳統(tǒng)編輯出版模式[2]。

二、 XML結(jié)構(gòu)化數(shù)字轉(zhuǎn)型的特點(diǎn)與優(yōu)劣性

1.XML結(jié)構(gòu)化的幾個(gè)重要環(huán)節(jié)

首先，采用新技術(shù)。即對(duì)傳統(tǒng)出版資源進(jìn)行結(jié)構(gòu)化整理，按照語義標(biāo)準(zhǔn)進(jìn)行分類、存儲(chǔ)。傳統(tǒng)出版的電子版內(nèi)容資源僅僅是服務(wù)、排版與印制，只包含標(biāo)題、正文等格式控制命令，沒有按照語義標(biāo)準(zhǔn)進(jìn)行結(jié)構(gòu)化整理，也就無法實(shí)現(xiàn)語義檢索與分類，所以要采用新技術(shù)，通過XML結(jié)構(gòu)化語言對(duì)原始資源進(jìn)行加工與整理。

其次，改造出版流程。傳統(tǒng)出版機(jī)構(gòu)要大力開展網(wǎng)絡(luò)出版業(yè)務(wù)，或設(shè)立完全市場(chǎng)化的數(shù)字出版公司。數(shù)字化出版可以依托傳統(tǒng)的編、印、發(fā)環(huán)節(jié)基礎(chǔ)，通過新技術(shù)改造，加之與互聯(lián)網(wǎng)整合形成新的產(chǎn)業(yè)模式。隨著產(chǎn)業(yè)融合的逐漸深入，在數(shù)字化浪潮的推動(dòng)下，原本嚴(yán)格區(qū)分的行業(yè)邊界會(huì)愈發(fā)模糊，內(nèi)容提供商、技術(shù)提供商和渠道運(yùn)營(yíng)商之間的相互融合會(huì)越來越緊密。

最后，出版資源數(shù)字版權(quán)授權(quán)解決方案。由于數(shù)字出版具有海量存儲(chǔ)、搜索便捷、傳輸快速、互動(dòng)性強(qiáng)、成本低廉等特點(diǎn)，已經(jīng)成為戰(zhàn)略性新興產(chǎn)業(yè)和出版業(yè)發(fā)展的主要方向。數(shù)字出版的特點(diǎn)也是數(shù)字版權(quán)面臨的問題，政府與企業(yè)應(yīng)加快技術(shù)創(chuàng)新和標(biāo)準(zhǔn)制定，為版權(quán)保護(hù)提供有效的技術(shù)手段；同時(shí)加大對(duì)數(shù)字版權(quán)侵權(quán)盜版行為的打擊力度，切實(shí)保障著作權(quán)人合法權(quán)益。

2.XML標(biāo)記語言的特點(diǎn)

結(jié)構(gòu)化的本質(zhì)就是為文檔建立一個(gè)描述框架，通過標(biāo)識(shí)符使文檔任一部分（任一個(gè)元素）都和其他部分保持關(guān)聯(lián)，關(guān)聯(lián)的級(jí)數(shù)就形成了結(jié)構(gòu)。標(biāo)識(shí)本身的含義與它描述的文檔信息相分離。結(jié)構(gòu)化文檔（Structured Document）是由標(biāo)題、章節(jié)、段落、圖表、公式等框架結(jié)構(gòu)組成。

XML正是具備這一特性的擴(kuò)展性標(biāo)識(shí)語言。XML文檔是由 XML元素組成的，每個(gè)XML元素包括一個(gè)開始標(biāo)記（）以及兩個(gè)標(biāo)記之間的信息（稱為內(nèi)容）。XML允許無限的標(biāo)記集，各標(biāo)記集并不表示如何顯示，而是表示其含義。例如，可以將XML元素標(biāo)記為標(biāo)題、作者或工作單位，等等。

3.XML結(jié)構(gòu)化優(yōu)勢(shì)與劣勢(shì)

XML最初就是為信息標(biāo)準(zhǔn)化所設(shè)計(jì)，選擇XML作為稿件存儲(chǔ)格式有下述優(yōu)點(diǎn)：

（1）樹狀層次信息結(jié)構(gòu)存儲(chǔ)稿件的內(nèi)容，可以方便地提取索引。即按照父子關(guān)系節(jié)點(diǎn)存儲(chǔ)文檔的內(nèi)容，可以通過統(tǒng)一的XSL模板對(duì)文檔稿件進(jìn)行批處理，經(jīng)過結(jié)構(gòu)化的稿件可以方便信息的提取與索引。

（2）完全以內(nèi)容為中心，從而分離了不必要的格式信息。對(duì)于每一篇稿件，XML可以以樹狀信息結(jié)構(gòu)存儲(chǔ)稿件的內(nèi)容，忽略排版格式信息，從而實(shí)現(xiàn)語義層面上對(duì)文檔的定義。

（3）只要設(shè)計(jì)統(tǒng)一的模板即可格式化為單獨(dú)期刊具體頁(yè)面格式?？梢砸罁?jù)各期刊和圖書體例的統(tǒng)一性設(shè)計(jì)轉(zhuǎn)換模板，實(shí)現(xiàn)XML統(tǒng)一轉(zhuǎn)換。

（4）有利于資料的共享和標(biāo)準(zhǔn)化。經(jīng)過轉(zhuǎn)換的所有文檔，可以方便地建立全文數(shù)據(jù)庫(kù)，實(shí)現(xiàn)內(nèi)容資源的統(tǒng)一管理，實(shí)現(xiàn)知識(shí)提取、知識(shí)比較、知識(shí)關(guān)聯(lián)。并針對(duì)選題策劃等各種任務(wù)需求實(shí)現(xiàn)資源共享，實(shí)現(xiàn)個(gè)性化、片段化、碎片化出版。

（5）可以方便地轉(zhuǎn)換為任意的格式，如HTML、PDF 、RTF等格式，實(shí)現(xiàn)多渠道出版。

選擇XML作為稿件存儲(chǔ)格式有下述缺點(diǎn)：

（1）出版商要把原有的文獻(xiàn)電子版本轉(zhuǎn)換為帶語義標(biāo)記的結(jié)構(gòu)化文檔，要再投入人力物力，增加新的工作量。

（2）中文元素定義不完整。NLM DTD中元素、屬性以及參數(shù)實(shí)體的定義只滿足于描述英文文獻(xiàn)，如果對(duì)中文文獻(xiàn)進(jìn)行格式轉(zhuǎn)換還需要擴(kuò)充元素庫(kù)，并且保證元素定義符合兼容性以及顆粒度的要求。

（3）中文符號(hào)問題。NLM DTD定義的內(nèi)容中所有符號(hào)均采用UTF—8編碼，因此，所有的中文符號(hào)必須經(jīng)過處理，例如雙字節(jié)的逗號(hào)、分號(hào)、引號(hào)、括號(hào)、羅馬數(shù)字等，都必須轉(zhuǎn)換成單字節(jié)的相應(yīng)符號(hào)。另外，在XSLT進(jìn)行轉(zhuǎn)換時(shí)，再把單字節(jié)符號(hào)重新轉(zhuǎn)換成雙字節(jié)符號(hào)。

（4）市場(chǎng)上缺少支持中文的、成熟的XML編輯器。

三、XML結(jié)構(gòu)化數(shù)字出版技術(shù)流程分析

1.查爾斯沃思·中國(guó)（The Charlesworth Group ）案例

查爾斯沃思的XML排版，是使用集團(tuán)自主研發(fā)的自動(dòng)轉(zhuǎn)換軟件（包括AutoProof）及Arbortext Advanced Print

Publisher （3B2），該軟件能為客戶提供包括全文SGML、XML、HTML、網(wǎng)絡(luò)版PDF文件及圖片在內(nèi)的各種電子文件。

其工作流程為先從客戶端接收文檔文件，然后通過轉(zhuǎn)換軟件轉(zhuǎn)換為XML格式文件，再通過模板控制的平臺(tái)進(jìn)行結(jié)構(gòu)化排版，經(jīng)過一次性加工完成，內(nèi)容可重復(fù)利用，適應(yīng)多種傳播媒介，覆蓋讀者面廣，節(jié)約成本。其 XML工作流程如圖1所示。另外還有短期解決方案，是在原有流程上增加轉(zhuǎn)換步驟，優(yōu)點(diǎn)是不需要改變現(xiàn)有的生產(chǎn)流程，缺點(diǎn)是費(fèi)時(shí)費(fèi)力，要根據(jù)不同平臺(tái)的要求重新制作文件，容易造成新的錯(cuò)誤。優(yōu)點(diǎn)是專業(yè)性強(qiáng)，缺點(diǎn)是價(jià)格偏高，大約$15—30 /頁(yè)。

2.北大方正、瑪格泰克數(shù)字出版流程分析

北大方正的書暢系統(tǒng)是以多媒體資源庫(kù)為中心，面向作者和編輯使用，實(shí)現(xiàn)結(jié)構(gòu)化內(nèi)容的編纂、審校、管理和動(dòng)態(tài)出版的全流程數(shù)字化出版生產(chǎn)系統(tǒng)解決方案，支持出版社、期刊社數(shù)字內(nèi)容加工的出版流程。整個(gè)系統(tǒng)平臺(tái)在文稿的創(chuàng)建、協(xié)同創(chuàng)作、系統(tǒng)配置、控制和發(fā)布5個(gè)環(huán)節(jié)全面支持XML結(jié)構(gòu)化數(shù)據(jù)標(biāo)準(zhǔn)，支持從內(nèi)容源頭開始的基于內(nèi)容對(duì)象的數(shù)字內(nèi)容創(chuàng)作，可生成多形態(tài)數(shù)字終端產(chǎn)品（如PDF、EPUB等），實(shí)現(xiàn)內(nèi)容一次制作多元產(chǎn)品發(fā)布功能。

該系統(tǒng)通過生產(chǎn)管理平臺(tái)、模板設(shè)計(jì)、動(dòng)態(tài)發(fā)布引擎、智能化客戶端、交互式編排軟件等模塊，實(shí)現(xiàn)從出版任務(wù)管理→交互式版式設(shè)計(jì)→基于XML技術(shù)的隱式結(jié)構(gòu)化標(biāo)引→多格式的內(nèi)容發(fā)布等操作環(huán)節(jié)。該系統(tǒng)優(yōu)點(diǎn)是可以處理期刊和圖書等多種出版物，在出版過程中構(gòu)建編輯部、作者以及排版公司之間的協(xié)同與合作，有效完成收稿、編輯加工以及排版等核心業(yè)務(wù)；缺點(diǎn)是價(jià)格偏高，大約10萬元/套，多刊購(gòu)買可以優(yōu)惠。

瑪格泰克稿件處理（論文采編）系統(tǒng)是期刊行業(yè)的主要平臺(tái)之一，為出版社、期刊社推出了整體的解決方案。目前已經(jīng)在遍布全國(guó)的1600多家雜志社、十幾家出版社得到應(yīng)用，研發(fā)了元數(shù)據(jù)提取服務(wù)，用于網(wǎng)刊發(fā)布系統(tǒng)。完成了從方正書版排版結(jié)果（FBD文件）、word文件和Latex排版文件中，自動(dòng)獲取每篇文章的基本元數(shù)據(jù)和擴(kuò)展元數(shù)據(jù)，并可以自動(dòng)發(fā)布到網(wǎng)刊系統(tǒng)，并實(shí)現(xiàn)參考文獻(xiàn)的自動(dòng)連接，同時(shí)自動(dòng)生成Pubmed、Linkout、 XML數(shù)據(jù)。對(duì)非Magtech 的網(wǎng)站系統(tǒng)，其元數(shù)據(jù)自動(dòng)提取系統(tǒng)可以形成Excel文件和XML文件，用于一鍵式發(fā)布。優(yōu)點(diǎn)是專業(yè)性強(qiáng)、價(jià)格適中，約1500元/期，缺點(diǎn)是處于起步階段，有待上升到產(chǎn)業(yè)規(guī)模。

瑪格泰克制作流程首先是原文轉(zhuǎn)換，目前支持 word（doc/docx）、方正書版小樣文件（fbd），其次是CHTML結(jié)構(gòu)化，用于檢查生成的XML文件的準(zhǔn)確性，主要是參考文獻(xiàn)的準(zhǔn)確識(shí)別、文中引用的識(shí)別和標(biāo)記，圖表的處理等。其結(jié)構(gòu)化流程如圖2所示。

四、XML文檔結(jié)構(gòu)化規(guī)范

1.NLM DTD與中文擴(kuò)展

NLM DTD包含3個(gè)規(guī)范：Archiving Tag Set（文獻(xiàn)存檔標(biāo)簽集），Journal Publishing Tag Set（期刊出版標(biāo)簽集），NCBI Book Tag Set（圖書標(biāo)簽集）。目前，最廣為接受的是Journal Publishing Tag Set[3]。

其他的數(shù)字出版廠商也發(fā)布了各自的文獻(xiàn)XML描述規(guī)范，例如AIP（美國(guó)物理學(xué)會(huì)）、BMC、PlosOne等，經(jīng)過比較，大家普遍認(rèn)為NLM DTD在標(biāo)簽定義的規(guī)范性、整個(gè)體系的完整性以及普適性等方面具有非常大的優(yōu)勢(shì)。因此，雖然最初是為生物醫(yī)學(xué)文獻(xiàn)而設(shè)計(jì)的NLM DTD，也逐漸被其他領(lǐng)域的學(xué)術(shù)文獻(xiàn)出版機(jī)構(gòu)和存檔機(jī)構(gòu)所接受，例如BMJ、PNAS等。

NLM DTD中定義了235個(gè)元素，127個(gè)屬性，557個(gè)參數(shù)實(shí)體，這些內(nèi)容足于描述英文文獻(xiàn)的全部?jī)?nèi)容。但對(duì)中文來說，還不夠，還需要進(jìn)行擴(kuò)充，擴(kuò)充原則是首先盡可能兼容NLM DTD，其次是顆粒度盡可能小。

中文元素標(biāo)簽，統(tǒng)一在對(duì)應(yīng)的標(biāo)簽前加Vernacular。例如表示文章的英文題目，那么表示文章的中文題目，對(duì)中文摘要、中文關(guān)鍵詞、基金資助的中文信息等，按同樣處理。

2.元數(shù)據(jù)自動(dòng)提取

是指利用計(jì)算機(jī)軟件，采用模式識(shí)別智能算法，從排版后的最終文件中自動(dòng)、準(zhǔn)確提取期刊所有文章的元數(shù)據(jù)，并形成各種可重復(fù)利用的結(jié)構(gòu)化數(shù)據(jù)文件，如Excel、XML文件，并可以一鍵發(fā)布到網(wǎng)刊系統(tǒng)，在網(wǎng)刊的基礎(chǔ)上，形成各種個(gè)性化的應(yīng)用文件，如Linkout、 XML文件等。

文字處理文檔包含輸入的文本、圖形和表格。文檔轉(zhuǎn)換為結(jié)構(gòu)后，其中的每個(gè)組件和用于驅(qū)動(dòng)發(fā)布過程或控制格式的特定信息，都可以被識(shí)別。文檔各部分成為 XML 元素，并當(dāng)作數(shù)據(jù)庫(kù)中的字段處理（可以被定位、被排序、用于檢索以及進(jìn)行其他操作），還可以根據(jù)上下文嵌套它們的父元素或文檔樹中在它們層次之上的元素（祖先）。

3.文檔的處理方法

分析現(xiàn)有文檔內(nèi)容，并確定文檔暗含的結(jié)構(gòu)。例如，某一篇論文文檔可能包含文本章節(jié)、插圖、表格、程序、參考文獻(xiàn)屬性等。文本可能分為標(biāo)題、作者、單位、內(nèi)容摘要、主體段落、列表和重點(diǎn)短語。

（l）版面分析、規(guī)范處理。先對(duì)刊物進(jìn)行版式特征識(shí)別。如：位置、字體、字號(hào)、顏色、輔助信息、版式風(fēng)格等，輔以語義分析，提取版式數(shù)據(jù)的邏輯結(jié)構(gòu)，將無序、無結(jié)構(gòu)的數(shù)據(jù)，組織成有序、有結(jié)構(gòu)的數(shù)據(jù)。例如，從期刊版面中提取必要的文字和排版信息，自動(dòng)判定排版方向、合并正文塊，自動(dòng)還原正文閱讀順序，自動(dòng)關(guān)聯(lián)附圖與圖注、附表與表注。

（2）文檔結(jié)構(gòu)分析、字段提取。首先對(duì)刊物進(jìn)行文檔特征提煉。在此基礎(chǔ)上，分析文章或章節(jié)結(jié)構(gòu)，生成各期目錄列表，以及文章標(biāo)題層次信息。期刊字段包括標(biāo)題、作者、作者單位、內(nèi)容摘要、關(guān)鍵字、文章編號(hào)、參考文獻(xiàn)、基金項(xiàng)目以及作者簡(jiǎn)介等，自動(dòng)完成字段的標(biāo)引。

（3）分類集成、詞語索引。建立刊物的詞典，對(duì)文章以及知識(shí)點(diǎn)進(jìn)行分類匯總，實(shí)現(xiàn)基于內(nèi)容的數(shù)據(jù)挖掘。包括自動(dòng)歸類、語義標(biāo)引、專業(yè)術(shù)語校對(duì)等。

標(biāo)記一個(gè)論文（部分）的例子：

計(jì)算機(jī)教育

< SubmitDate >投稿日期< /SubmitDate >

< DocTitle >

< DocTitleCn >面向創(chuàng)新人才培養(yǎng)的教學(xué)改革探索