資源庫數(shù)據(jù)建設(shè)：數(shù)字出版的重中之重

葉延春

在數(shù)字化轉(zhuǎn)型升級過程中，中國建筑工業(yè)出版社實(shí)現(xiàn)了全媒體形態(tài)的預(yù)期目標(biāo)。轉(zhuǎn)型升級內(nèi)容覆蓋了從選題策劃、內(nèi)容組織建設(shè)到產(chǎn)品研發(fā)、產(chǎn)品銷售的全業(yè)務(wù)、全流程，開發(fā)了涵蓋電子書、網(wǎng)絡(luò)課程、數(shù)據(jù)庫和移動閱讀App等產(chǎn)品。數(shù)字產(chǎn)品包括，已上線的“中國建筑出版在線”、工具書在線、“建筑文庫”移動閱讀、數(shù)字期刊平臺等，另外還完成了英文圖書元數(shù)據(jù)的推送等工作。這些多形態(tài)的數(shù)字產(chǎn)品，是建立在本社海量的資源庫的數(shù)據(jù)基石之上的。利用資源庫現(xiàn)有的資源，可以對圖書內(nèi)容實(shí)現(xiàn)結(jié)構(gòu)化、碎片化、富媒體化;通過元數(shù)據(jù)標(biāo)引、數(shù)據(jù)挖掘、數(shù)據(jù)關(guān)聯(lián)，可以實(shí)現(xiàn)個性化、定制化服務(wù)，以便適應(yīng)不同終端用戶的個性需求。所以，資源庫的數(shù)據(jù)建設(shè)、維護(hù)和管理是數(shù)字出版的重中之重，否則，前端多形態(tài)數(shù)字產(chǎn)品就將成為無源之水、無本之木。資源庫工作龐雜繁復(fù)，如何讓資源庫的數(shù)據(jù)建設(shè)完善、規(guī)范有序，是數(shù)字出版中心相關(guān)人員必須不斷思考的問題。

資源庫的數(shù)據(jù)建設(shè)：要有獨(dú)有的加工標(biāo)準(zhǔn)

資源庫的數(shù)據(jù)建設(shè)從前期規(guī)劃到具體實(shí)施是一個復(fù)雜的系統(tǒng)工程，也是一個從摸索中不斷走向完善的過程。在這個過程中，我們致力于數(shù)據(jù)建設(shè)逐步趨向規(guī)范化和標(biāo)準(zhǔn)化。

資源庫數(shù)據(jù)形式按內(nèi)容可分為原始數(shù)據(jù)和基于原始數(shù)據(jù)的再加工數(shù)據(jù);數(shù)據(jù)處理按加工手段可分為數(shù)據(jù)采集、審核、分類加工、發(fā)布等。

原始數(shù)據(jù)主要分為，從ERP和在線編纂系統(tǒng)采集到的圖書信息，排版廠提交給出版社的排版文件和鏈接圖，在線編撰的過程文件及最終文件等。

再加工數(shù)據(jù)包括：可帶鏈接的、用于在線發(fā)布的PDF文件;結(jié)構(gòu)化的WORD文檔;EPUB文件;CEB文件等。

資源庫的數(shù)據(jù)建設(shè)，按流程順序，可分為圖書詳情信息采集、排版文件、圖片、PDF、EPUB的采集（該采集是用定制的采集工具在內(nèi)網(wǎng)批量上傳）、標(biāo)引、加工、審核、發(fā)布等。這些流程經(jīng)過兩年多的運(yùn)行和經(jīng)驗(yàn)積累，已形成建工社自身特色的加工標(biāo)準(zhǔn)：

⑴采集信息的唯一性。定期從在線平臺或ERP系統(tǒng)讀取已正式出版發(fā)行的紙質(zhì)圖書、電子圖書。該階段主要是讀取圖書詳情信息，諸如：社書號，叢書名，書名，裝幀，開本，定價(jià)，ISBN，圖書銷售分類，中圖分類號等。讀取的全部信息在庫中留存，主要信息用于外網(wǎng)發(fā)布。采集時需要注意的是，出版資源庫要堅(jiān)持“一書一號”原則，即同一本書所有信息都能最直接地從一個入口找到相關(guān)的信息，同一個社書號，無論版次只能有一個建檔。本書所有信息操作都是基于這個唯一的建檔號。不僅如此，還要做到系列叢書能夠有效關(guān)聯(lián)，甚至后臺資源之間、前臺的不同站點(diǎn)之間也要能有效關(guān)聯(lián)。

⑵采集信息的準(zhǔn)確性。從ERP采集到的信息因各種原因，會存在信息不完整或有錯漏的情況，需要人工標(biāo)引。

要素標(biāo)引完畢，還有“精編”項(xiàng)目：內(nèi)容提要和目錄內(nèi)容。該內(nèi)容可從ERP或排版文件讀取，如不能讀取則需人工錄入。為保證采集到的圖書信息準(zhǔn)確，標(biāo)引之后多人審核是必要的，審核無誤后才可發(fā)布到外網(wǎng)。

⑶排版文件、圖片、PDF、EPUB的采集。由排版廠提交到本社的排版文件和圖片一般滯后于信息發(fā)布1-3個月。數(shù)字出版部門收到排版文件后，要對文件做兩項(xiàng)必要的檢查。一是要保證內(nèi)容的正確性。二是檢查排版文件的完整性。

內(nèi)容檢查無誤后，可以用采集工具來按類型分門別類地批量采集。在采集工具中，不同數(shù)據(jù)類型如同一個個“盒子”，啟動批量采集時可自動歸入到相應(yīng)的“盒子”中去。同一書號、不同版次的文件，不可采用批量方式，標(biāo)明版次后需人工逐個插入到相應(yīng)的資源文件夾中?？晒┎杉臄?shù)據(jù)有：封面及正文排版文件、PDF、EPUB、CEB、插圖、經(jīng)典資源包等。

PDF文件在采集之前，要嚴(yán)格區(qū)分高精度（用于內(nèi)網(wǎng)存檔或內(nèi)部職工因需調(diào)用）、低精度（用于外網(wǎng)售賣的電子書）、正文樣張（用于外網(wǎng)讀者的10%免費(fèi)翻閱），批量上傳。EPUB文件直接批量上傳即可。

⑷數(shù)據(jù)加工。分基本加工和深度加工兩種。

基本加工：是將排版文件加工成CEB，PDF，EPUB等格式。必須注意的是，PDF文件用于外網(wǎng)發(fā)布時，使用低精度，同時還要批量拆分10%的PDF文件用于PC端客戶的免費(fèi)瀏覽;用于資源庫留存的PDF文件則應(yīng)生成高精度。既有圖書中，如果沒有排版文件的電子版，可將紙質(zhì)圖書經(jīng)過掃描生成PDF文件，整合成一個文檔，通過OCR識別，掃描的PDF中的文字內(nèi)容可以識別，可視為“字符”形式，以便內(nèi)容檢索和查找。

深度加工：主要是指將PDF文件、EPUB文件、由自動引擎版面回寫的WORD文檔，在已有的結(jié)構(gòu)化基礎(chǔ)上，按需進(jìn)行深度碎片化、富媒體化。以建工社為例，經(jīng)過深度加工成功推出了數(shù)字期刊平臺，終端用戶可通過檢索期刊的欄目、標(biāo)題、作者、文獻(xiàn)，訂制自己需要購買的文章。

⑸審核和發(fā)布。紙質(zhì)圖書的“編、校、印、發(fā)”有其完備的運(yùn)作方式和標(biāo)準(zhǔn)，數(shù)字出版則不然。雖然數(shù)字出版早已不是什么新生事物，但在“審、校、發(fā)”方面，業(yè)界并沒有形成統(tǒng)一的標(biāo)準(zhǔn)。出版社在轉(zhuǎn)型初期都會面臨審校過程操作性不強(qiáng)、嚴(yán)謹(jǐn)性欠缺、重視度不夠等情況。

經(jīng)過多年實(shí)踐和摸索，建工社的數(shù)字出版物在正式發(fā)布之前的審校，已初步形成保障質(zhì)量的運(yùn)作方式和標(biāo)準(zhǔn)：一是不同流程由不同人員定崗負(fù)責(zé)。二是堅(jiān)持全面檢查、兼顧重點(diǎn)的制度。三是在無紙化的條件下，人機(jī)界面交互的同時與紙質(zhì)樣書核對。

審核無誤的信息，定期由專人發(fā)布。資源庫的數(shù)據(jù)是動態(tài)的，每天都會有變化。需要發(fā)布的信息，堅(jiān)持定期、分批發(fā)布的原則。不是零散處理而是以時間段來加以區(qū)分，易于批量處理，也方便前后臺的數(shù)據(jù)比對和查詢。另外，需要提前發(fā)布的紙質(zhì)圖書或電子書，也有應(yīng)急響應(yīng)措施。

資源庫數(shù)據(jù)的維護(hù)和更新：“看不見”的后續(xù)工作尤為重要

如果說數(shù)據(jù)建設(shè)是資源庫的基礎(chǔ)性的工作，那么資源庫的數(shù)據(jù)維護(hù)和更新則是“看不見”的后續(xù)性工作。無論是內(nèi)部人員在后臺的數(shù)據(jù)調(diào)用還是終端用戶在前臺的數(shù)據(jù)訪問，都要保證數(shù)據(jù)的時效性、準(zhǔn)確性。因此，資源庫數(shù)據(jù)的日常維護(hù)和更新就顯得尤為重要。

⑴定期采集、發(fā)布新書。新書是指已出版發(fā)行的新版、再版、重印的紙質(zhì)圖書。每周由發(fā)行部門提供新書列表，數(shù)字出版部門根據(jù)列表，利用ERP與資源平臺的接口讀取相應(yīng)字段，采集圖書詳情;掃描紙書封面并上傳封面圖片，標(biāo)引，審核，發(fā)布。發(fā)布新書之前，由專人查看是否有前版，如有前版則從后臺撤下，發(fā)布后“圖書在線”只保留最新版。

⑵不定期整理需要深度加工的現(xiàn)有資源。資源庫中數(shù)據(jù)龐大，為了避免過度加工、盲目加工，造成人力和物力的浪費(fèi)，須由專門人員將資源庫中需要再加工的、有市場前景的圖書資源，根據(jù)其性質(zhì)、特點(diǎn)，分別導(dǎo)出需要結(jié)構(gòu)化、碎片化的圖書列表，交由有關(guān)人員作相應(yīng)的拆分，并將內(nèi)容對象導(dǎo)入到相應(yīng)的資源庫，滿足新的數(shù)字產(chǎn)品和商業(yè)模式的需要，提高內(nèi)容的利用率。數(shù)字出版資源庫里的出版資源可能會有多種類型，針對不同性質(zhì)的圖書資源采用不同的反解方式，并建立不同類型的資源庫，如標(biāo)準(zhǔn)規(guī)范庫、按篇章節(jié)拆分的期刊庫、按條目拆分的匯編及專業(yè)詞典庫、職業(yè)資格考試的視頻庫、供終端用戶有償下載的圖片庫等。

⑶內(nèi)外網(wǎng)已發(fā)布資源數(shù)量的定期核對。建工社的數(shù)字出版資源管理系統(tǒng)與發(fā)布管理平臺處于同一個庫中，出版資源管理平臺的數(shù)據(jù)變動直接反映到發(fā)布平臺，再由發(fā)布后臺正式發(fā)布到前臺的“圖書在線”。在“中國建筑出版在線”上線初期，因?yàn)榉N種原因發(fā)布新書時偶有前后臺數(shù)量不能完全對應(yīng)的情況，需要按圖書銷售分類人工核對。為保證這些數(shù)據(jù)完全正確，分類核對做法沿用至今。主要核對內(nèi)容：各分類下已發(fā)布新書數(shù)量;電子書總數(shù);POD數(shù)量。三個平臺的圖書分類方式完全對應(yīng)。

⑷“丟書”情況的查缺補(bǔ)漏。丟書情況分兩種：一種是有庫存的、從ERP里無法讀取的，另一種情況是營銷中心因種種原因沒有提供樣書的。定期核查營銷數(shù)據(jù)中有庫存的圖書，只要庫存非零，在“圖書在線”前臺必有在線銷售;紙質(zhì)書庫存為零則自動納入POD。每月由營銷中心提供銷售數(shù)據(jù)，正式出版發(fā)行的新書如因某種原因在前臺沒有在線銷售信息，兩個月內(nèi)必須由人工補(bǔ)錄。

⑸資源數(shù)據(jù)的導(dǎo)出和調(diào)用。資源庫內(nèi)的數(shù)據(jù)不僅是用來加工各種數(shù)字產(chǎn)品的，更重要的一個功能是本社圖書資源的“倉儲”。庫內(nèi)可調(diào)用的文件類型很多，導(dǎo)出時根據(jù)實(shí)際需要可按圖書狀態(tài)、入庫時間、銷售類型下載。編輯出版部門因圖書的再版或重印需要調(diào)用原始文件時，可在資源庫平臺說明用途并在線申請，由部門領(lǐng)導(dǎo)在線核準(zhǔn)、數(shù)字出版中心的相關(guān)人員授權(quán)后方可下載。授權(quán)時指定下載人員、可下載的內(nèi)容、下載的時間限制等。嚴(yán)格“申請、審批、核發(fā)、授權(quán)、下載”程序，以策庫內(nèi)資源的信息安全。

⑹未雨綢繆，著眼于將來未知形態(tài)數(shù)字產(chǎn)品的資源建設(shè)。為適應(yīng)市場變化和需要，數(shù)字出版資源庫的建設(shè)都是為后續(xù)數(shù)字運(yùn)營平臺和自適應(yīng)的動態(tài)出版系統(tǒng)服務(wù)的。為了保證將來的可擴(kuò)展性，必須要求元數(shù)據(jù)內(nèi)容的自定義和可擴(kuò)展，加工處理的方式，也應(yīng)向著智能化、自動最大化、標(biāo)準(zhǔn)化的方向發(fā)展。

總之，無論是資源庫的數(shù)據(jù)建設(shè)還是數(shù)據(jù)維護(hù)更新，資源庫相關(guān)人員都是面向社內(nèi)外的用戶服務(wù);無論后端數(shù)字產(chǎn)品將來的形態(tài)如何變化，做好服務(wù)都是資源庫團(tuán)隊(duì)的本職。以“一個團(tuán)隊(duì)、一個標(biāo)準(zhǔn)”的不變，應(yīng)對數(shù)據(jù)服務(wù)內(nèi)容的不斷變化，是數(shù)字出版資源庫業(yè)者孜孜以求的目標(biāo)。

（作者單位系中國建筑工業(yè)出版社）