知识园地

　　摘要：为了实现期刊论文中文DOI元数据的批量自动提取，提出了向排版模板中预置元数据标签的解决方案。以方正书版文件为例，阐述了通过“不排”命令预置XML标签的具体方法，给出了采用自编工具软件提取DOI元数据和生成XML格式注册元数据文件的基本步骤，介绍了使用万方数据“中文DOI注册元数据转换与校验系统”完成元数据校验和网上提交的操作流程。

　　关键词：中文DOI元数据；自动提取；网上提交

在WWW浏览器地址栏键入http:∥dx.doi.org/10.3969/j.issn.1001-0505.2009.03.001，敲一下回车键，直接呈现在电脑屏幕上的是《东南大学学报(自然科学版)》2009 年第3 期第1 篇文章的页面。其中http:∥dx.doi.org/是全球DOI解析服务器网址，10.3969/j.issn.1001-0505.2009.03.001是该文全球唯一的数字对象标志符—DOI号。该页面包含了DOI号、文章标题、作者姓名和单位、摘要和关键词以及全文下载网址等DOI注册元数据信息。

要面向读者及时提供上述一站式解析和链接服务，就需要出版者(期刊编辑部)预先制作和提交包括DOI 号在内的多项中文DOI注册元数据。为此，本文重点讨论DOI元数据自动提取技术，简要介绍DOI元数据的上传和注册流程。

1.DOI 元数据提取的技术瓶颈

由文献可知，期刊论文中文DOI元数据包括期刊名称等7项期刊元数据和文章中、英文名称等17项论文元数据(含转页页码)。对大多数编辑部而言，目前这些DOI元数据的提取仍然以手工操作为主，即先从期刊论文电子版源文件中逐项摘取、复制元数据并粘贴到Excel模板“编辑部提供DOI注册元数据.xls”中，待整期期刊的Excel数据表制作完成之后，使用万方数据股份有限公司提供的“中文DOI注册元数据转换与校验系统”进行格式转换，最后再上传到DOI解析系统中。显然，这种手工摘取方式存在着质量和效率低、数据准确性和字符兼容性差以及进度明显滞后于期刊印刷版和数字版等问题。这些正是期刊论文中文DOI元数据提取的技术瓶颈。

针对上述问题，受《国家“十一五”时期文化发展规划纲要》重点项目“国家数字复合出版系统工程”和文献中关于“一次制作、多元应用”设想的启示，以及查尔斯沃思(北京)信息服务有限公司STM杂志排版模式的启发，本文提出了将XML格式DOI注册元数据文件中的XM L 标签移植到排版模板中的解决方案。

　　2.向排版模板中预置XML 标签

XML(eXtensible Markup Language)即可扩展标记语言，它采用一系列简单的XML 标签标记数据。XML 标签成对地出现，其基本格式形如“<author >李明</author >”，其中“<author >”是起始标签，“李明”是作者姓名，“</author >”是终止标签。

按照DOI 解析系统的约定，将XML格式中文DOI注册元数据文件上传给中文DOI系统，是进行中文DOI注册和元数据存储的唯一通道，可见XML文件在DOI元数据与DOI解析系统之间扮演着“信使”的角色。关于其详细结构和内容,可参阅中文DOI网站上XML文件实例。

批量自动提取DOI 元数据的基础和捷径，是将20余项中文DOI元数据所对应的XML标签一次性地预置到排版模板中，为获得结构化的排版文件储备好XML 标签，每个期刊编辑部或排版公司都能轻松地做到这一点。现以方正书版文件为例，详述XML标签的预置方法。

预置到排版模版中的外来XML标签，既不能影响原有的排版过程，又不得对排版结果特别是印刷版产生任何负面影响。方正书版系统的“不排”命令(BP)完全可以满足这个要求，其作用原理和命令格式也跟XML 标签非常相像。

“不排”命令的格式为“〖BP(〗…〖BP)〗” ，意思是:内含左圆括号的“〖BP(〗”通知排版系统以下内容“不参与排版”;省略号“…”=“不参与排版”的具体内容，可以是文字、标签或其组合体;内含右圆括号的“〖BP)〗”表明“不排”操作到此结束。灵活运用“不排”命令，巧妙组合“不排”内容，就能完整、准确地把定制DOI 元数据所需要的全部XM L 标签预置到排版模板中，并且既不增加排版工作量，又不影响排版结果。

在预置标签的过程中会遇到如下2种情况：(1)对印刷版中需要出现的元数据，必须采用2对“不排”命令即“〖BP(〗<起始标签>〖BP)〗元数据〖BP(〗<终止标签>〖BP)〗”这样的标签格式，屏蔽掉XML起、止标签共2项内容，但将元数据保留下来。例如，本文第1段中DOI号的预置标签为〖BP(〗<doi >〖BP)〗10 .3969/j .issn.1001-0505.2009 .03.001〖BP(〗</doi>〖BP)〗。

(2)对印刷版中不需要出现的元数据，采用1对“不排”命令即“〖BP(〗<起始标签>元数据<终止标签>〖BP)〗” ，同时屏蔽掉XML 起、止标签和元数据共3 项内容。例如，CN 32 -1178/N 所对应的预置标签为〖BP(〗<cn >32 -1178 </cn >〖BP)〗。根据实践经验，为了使排版模板结构更加清晰，对内容相对固定的7 项期刊元数据，以及其他不一定出现在印刷版中的元数据，可以全部采用这种标签格式，额外预置一组标签，并将它们集中摆放在排版模板的最前端。

XML 格式中文DOI注册元数据文件中，部分XML标签例如<cn>…</cn>可以被直接移植到排版模板中用作预置标签;部分双语元数据的标签同名，例如中、英文刊名的起、止标签都是<full-title >和</full-title >，其预置标签需要进行适当的变通处理。可以添加前缀“Chinese-”和“English-”，预置形如<Chinese -full-title >和<English-full-title >的过渡性XML标签，待生成XML 格式DOI 元数据文件时再还原为标准的XML 标签。

在包含预置标签的排版模板定型之后，每年只需在首期排版前更改一次卷号，每期只需在首篇排版前更改一次期号等可变项目。采用这种模板进行排版，可以直接制作出包含XML 标签和DOI 元数据素材的结构化、资源型排版文件，进而准确、方便地从中定制DOI 元数据。

3.DOI元数据的自动提取和XML格式DOI注册元数据文件的自动生成

为检验预置标签方案的有效性和DOI元数据的定制效率，可采用Visual Basic 6.0语言编写了专用工具软件。

用鼠标双击包含预置标签的排版文件(例如293.FBD)，软件随即开始逐篇查找文件中的预置标签，逐项解析出XML标签所标记的DOI元数据，清理无用信息，切分有用信息，初步完成DOI 元数据的自动提取。接着，软件将元数据字符编码由方正书版的GBK内码转换成XML文件要求的UTF-8 编码，并替换不兼容字符，再将DOI元数据和标准的XML标签等内容逐项写入同一个XML文件(例如293 .XML)中，生成XML格式DOI注册元数据文件。每期期刊完成上述过程耗时5～10 s，这在手工操作模式下是难以想象的。这种快至瞬间的处理速度，有助于实现期刊在线出版和元数据文件上传到DOI解析系统的同步化，且都先于印刷版，既方便读者随时访问、阅读和下载全文，又及时展示期刊的数字资源，赢得网上数字营销的先机。

　　4.DOI 注册元数据文件的校验与提交

　　DOI 元数据文件的校验包括脱机校验和联机校验2个层次。(1)脱机检验即XML文件语法正确性的一般性校验。用IE 浏览器、Firefox 浏览器或专业XML 编辑软件XMLSpy 打开上一节生成的XML件，不出现语法错误提示信息即可。(2)联机校验包括XML文件结构完整性和字符编码正确性两大方面的严格校验。在万方数据股份有限公司提供的“中文DOI注册元数据转换与校验系统”中，“Schema格式检验”的结果显示，“293.XM L”顺利出现在“校验正确文件”的清单中。

　　接下来，将校验合格的XML文件通过中文DOI注册元数据转换与校验系统”上传到中文DOI元数据中心等待审核。审核无误即可将该XML文件正式注册到DOI解析系统中。至此完成期刊论文中文DOI元数据的自动提取、数据校验与网上注册的全部流程。

　　最后一个重要步骤，是及时备份排版文件、XML 文件等原始数据和当前版本的元数据提取工具软件等。将来出现数字资源地址变化或其拥有者变更等情况时，网址元数据URL 需要随之变更。这时就要利用原始数据对XML文件中的网址等信息进行更新，并再次将完整的XML文件上传到DOI解析系统中，覆盖原来的DOI元数据。也只有这样，才能把DOI的优势充分发挥出来，保证数字资源不会出现无效的网络链接。

　　5.结语

　　通过向排版模板中预置XML标签来实现DOI元数据的定制，是有选择地标记，有选择地提取，获得DOI元数据的质量和效率是普通数据挖掘或人工摘取方法无法比拟的。虽然本文做到的这一步与数字复合出版系统工程的远景目标“知识标引、多重应用、一次制作、多元应用”还相距甚远，但毕竟实实在在地跨出了完全不同于传统排版的一小步；排版过程可以由此演进为数字标引的过程，排版文件将以资源文件的新面貌出现，而不再仅仅是传统出版流程中的一朵昙花。

此文发表于《科技与出版》，本网转载仅作为学习交流

(作者：毛善锋 田杰 张莞)