一種適合大批量期刊元數(shù)據(jù)自動化提取的程序設(shè)計

■馮 民 毛善鋒

1）河北科技大學(xué)學(xué)報編輯部，河北石家莊市裕華東路70號 050018

2）《東南大學(xué)學(xué)報（自然科學(xué)版）》編輯部，南京市四牌樓2號 210096

當(dāng)前，有關(guān)科技期刊元數(shù)據(jù)提取方面的研究已有一些研究成果［1_6］，相關(guān)技術(shù)和產(chǎn)品也已較為成熟。例如，文獻(xiàn)［1］提供一種為提取DOI數(shù)據(jù)而在排版模板中預(yù)置標(biāo)簽的方法，這種方法相對來說提取的元數(shù)據(jù)結(jié)果最準(zhǔn)確，只是要求相關(guān)人員對排版軟件有一定的了解。文獻(xiàn)［2］提出利用VB讀取方正排版文件以提取元數(shù)據(jù)，但技術(shù)相對復(fù)雜。文獻(xiàn)［3］提出在程序中預(yù)置兩個刊物的定位標(biāo)簽，使用Excel VBA從方正fbd小樣文件中提取元數(shù)據(jù)，其要求人工先選擇一些符號，預(yù)置為定位標(biāo)簽。

本文提出了一種用Excel VBA進(jìn)行期刊元數(shù)據(jù)自動提取的程序設(shè)計，理論上可實(shí)現(xiàn)任意數(shù)量期刊元數(shù)據(jù)的提取。程序的創(chuàng)新之處在于無需預(yù)置定位標(biāo)簽，而是在元數(shù)據(jù)提取程序運(yùn)行過程中，在人工輔助下，由程序根據(jù)預(yù)置規(guī)則自動確定定位標(biāo)簽。本文的研究適用對象是單刊或期刊集團(tuán)、集群，期望為批量期刊元數(shù)據(jù)的提取提供一種減輕人工勞動、提高數(shù)據(jù)采集效率的新思路。

1　程序整體架構(gòu)設(shè)計

本文的思路是，利用Excel打開fbd等類型的文件后，所有的數(shù)據(jù)都按順序處于第1列單元格內(nèi)（有時個別數(shù)據(jù)在第2列）［3］，根據(jù)不同的元數(shù)據(jù)前后有不同的“〖”、“〗”、“［”、“］”等符號對及特殊文字，由程序采集，作為定位標(biāo)簽使用，然后程序根據(jù)定位標(biāo)簽進(jìn)行元數(shù)據(jù)的定位和提取。最后，將提取的數(shù)據(jù)進(jìn)行處理，提供數(shù)據(jù)下載功能。

期刊元數(shù)據(jù)的提取程序流程如圖1所示，其各步驟的功能介紹如下。

圖1　數(shù)據(jù)提取流程圖

Step1：獲得期刊名。程序開始后，首先彈出用戶窗體（見圖2），各部分實(shí)現(xiàn)的功能如下。

圖2　用戶窗體

a）下拉列表。用戶窗體的初始化程序自動從“期刊名錄.txt”文件中提取期刊名，賦值到下拉列表中。點(diǎn)擊下拉列表中的刊名，則會出現(xiàn)在列表框中；直接在列表框中輸入刊名亦可。容錯機(jī)制：若打開“期刊名錄.txt”出錯，則先建立文件，此時列表會顯示為空。

b）確定。對應(yīng)圖1中的“選擇期刊”。點(diǎn)擊后程序會將在列表框所獲取的期刊名與“期刊名錄”中的期刊名逐一進(jìn)行對比，若已有此期刊則置isNewJournal為False；若 “期刊名錄”中沒有，則置isNewJournal為“True”。若沒有選擇期刊而點(diǎn)擊“確定”，則程序提示“還未選擇期刊”。

c）取消。對應(yīng)圖1中的“取消”。彈出“警告”對話框，提示已取消操作，并終止程序。

d）新增。對應(yīng)圖1中的“新增期刊”。點(diǎn)擊“新增”后，彈出輸入對話框，提示輸入刊物名稱。若輸入為空時點(diǎn)擊確定或點(diǎn)擊取消則返回到用戶窗體；若輸入的內(nèi)容經(jīng)比對是新增刊名，則在“期刊名錄.txt”中增加期刊名稱，并置 isNewJournal為“True”；若“期刊名錄”中已有此刊名，則彈出對話框，提示是否重新確定定位標(biāo)簽，選擇是則置isNewJournal為“True”，但不存入期刊名錄，選擇否則置isNewJournal為False?？蓪ⅰ捌诳洝敝械钠诳托略銎诳贓xcel表中排序，然后再寫入，這樣顯示在用戶窗體的下拉列表中的期刊名就是按序排列的了。

Step2：載入fbd數(shù)據(jù)。利用“打開”對話框獲得fbd文件名及路徑，用Excel打開、載入fbd數(shù)據(jù)。

Step3：確定定位標(biāo)簽。由人工輔助點(diǎn)擊元數(shù)據(jù)所在的單元格，程序就會自動確定定位標(biāo)簽，并存入一個以期刊名命名的純文本文件中，如河北科技大學(xué)學(xué)報.txt。

Step4：讀取定位標(biāo)簽。根據(jù)從用戶窗體所獲得的期刊名，從當(dāng)前路徑下對應(yīng)的txt文件中讀取定位標(biāo)簽。若打開出錯，則轉(zhuǎn)到Step3。

Step5：提取、處理元數(shù)據(jù)。進(jìn)行元數(shù)據(jù)的提取和處理。

Step6：下載數(shù)據(jù)。在數(shù)據(jù)提取完畢后，對數(shù)據(jù)進(jìn)行處理，滿足諸如勤云采編系統(tǒng)所需的Excel數(shù)據(jù)表，或者COAJ所需的Excel數(shù)據(jù)表等的下載，再者，可考慮增加不同格式的下載功能。

以上流程中，所涉及的編程技術(shù)已較為成熟，這方面本文不再贅述。因?yàn)镾tep3是由程序確定定位標(biāo)簽，其準(zhǔn)確與否直接關(guān)系到元數(shù)據(jù)提取的正確性，是編程的關(guān)鍵點(diǎn)和難點(diǎn)，故下文只闡述由程序確定定位標(biāo)簽這方面的內(nèi)容。

2　程序確定定位標(biāo)簽的設(shè)計

2.1　原理分析

本文認(rèn)為，定位標(biāo)簽的提取類似于元數(shù)據(jù)的提取，即定位標(biāo)簽只不過是一種特殊的數(shù)據(jù)，故而可以在用戶的輔助下，由程序依據(jù)一定的規(guī)則采集。

觀察可見，多數(shù)期刊中各篇論文的格式、體例至少在一期中是基本一致的，即各篇論文的相同項元數(shù)據(jù)的定位標(biāo)簽是基本相同的，這就為程序確定定位標(biāo)簽提供了條件。由載入Excel中的方正fbd小樣文件可知，幾乎每一項元數(shù)據(jù)的開始和末尾都有一些標(biāo)志性的、與正文內(nèi)容沒有重合的符號，有的元數(shù)據(jù)前還有特殊的文字字符，如“摘要”“關(guān)鍵詞”等，故定位標(biāo)簽的確定主要是程序?qū)@些特殊文字和“〖”、“〗”以及“［”、“］”符號的判斷和提取。

2.2　程序設(shè)計

2.2.1　設(shè)計思路

自動化采集定位標(biāo)簽的程序設(shè)計說明如下。

（1）盡量全面的考慮元數(shù)據(jù)項目

將這些元數(shù)據(jù)以及某些特殊數(shù)據(jù)（如“首頁頁眉”）的中文名稱賦值給一個一維數(shù)組，如

示例中有21個數(shù)據(jù)，這些數(shù)據(jù)項目可根據(jù)需要增減、調(diào)整。

（2）循環(huán)采集定位標(biāo)簽

按上述一維數(shù)組的下標(biāo)順序，由程序彈出對話框（見圖3），提示用戶點(diǎn)擊某個元數(shù)據(jù)（如題名）所在的單元格，用戶可根據(jù)具體情況選擇是、否、取消，對應(yīng)的后續(xù)處理程序分別是采集定位標(biāo)簽、再等3秒以待選中單元格和取消此項數(shù)據(jù)的采集；循環(huán)上述步驟，即可采集所有元數(shù)據(jù)的定位標(biāo)簽。程序在采集定位標(biāo)簽的同時，還采集定位標(biāo)簽所在的行號，以便按元數(shù)據(jù)實(shí)際出現(xiàn)的順序排序，最后可將排序后的定位標(biāo)簽寫入以期刊名命名的txt文件。

圖3　程序提示、人工點(diǎn)擊單元格示例

說明：1）為了準(zhǔn)確切分稿件，首頁頁眉需與其他頁眉不同。2）定位標(biāo)簽排序后存儲的目的是按順序定位、采集元數(shù)據(jù)。不同的期刊其定位標(biāo)簽出現(xiàn)的順序可能不同，但都是按照先后出現(xiàn)的順序存儲的。

圖4顯示的是《河北科技大學(xué)學(xué)報》的定位標(biāo)簽。因?yàn)槭莟xt文件，故可以復(fù)制、移動，另外，也可以在必要時編輯txt文件里的定位標(biāo)簽。

圖4　定位標(biāo)簽示例

2.2.2　定位標(biāo)簽采集過程中的關(guān)鍵子程序

（1）在采集定位標(biāo)簽的循環(huán)過程中，一個重要的子程序是要確定用戶已選中單元格，這是程序采集定位標(biāo)簽的前提，其主要程序語句如下。

（2）另一個重要的子程序是在用戶選中單元格后，程序如何自動確定定位標(biāo)簽。對于元數(shù)據(jù)前有特殊字符作為先導(dǎo)的，如前面有“文章編號”“doi”，“摘要”等，依靠特殊字符進(jìn)行定位標(biāo)簽的提??；對于無特殊字符作為先導(dǎo)的，如“題名”“作者姓名”“單位”等，則進(jìn)行另外的統(tǒng)一設(shè)計。限于篇幅，本文只給出“統(tǒng)一設(shè)計”部分的程序以供參考。

3　結(jié)語

本文提出了利用Excel VBA在程序運(yùn)行過程中確定元數(shù)據(jù)的定位標(biāo)簽繼而采集元數(shù)據(jù)的思路，一般只需在首次提取某個刊物元數(shù)據(jù)時進(jìn)行定位標(biāo)簽的采集，其后不必重復(fù)采集。這種方式可在較大程度上降低對人員的技術(shù)要求，減輕人工勞動，實(shí)現(xiàn)批量期刊自動化數(shù)據(jù)提取。對幾種刊物的初步測試表明，該方法能較準(zhǔn)確地采集定位標(biāo)簽，較好地實(shí)現(xiàn)元數(shù)據(jù)的提取，證明這種方法有一定的可行性。此種方法理論上可滿足任意數(shù)量期刊元數(shù)據(jù)提取的需要。

本文不足之處是，針對首頁頁眉與其他頁眉相同、排版較為特殊（如題名、作者姓名、單位等在同一個單元格內(nèi)）、個別元數(shù)據(jù)定位標(biāo)簽與其他不同（如某篇文章題名的定位標(biāo)簽與其他篇的不同）等等情況還不能進(jìn)行有效的數(shù)據(jù)提取。今后，除針對上述問題進(jìn)行深入研究外，還需對更多期刊進(jìn)行測試，以發(fā)現(xiàn)問題、改進(jìn)程序。

［1］毛善鋒，田杰，張莞.預(yù)置XML標(biāo)簽 定制DOI元數(shù)據(jù)［J］.科技與出版，2009（11）：14_16.

［2］楊海亮，徐用吉.利用 VB讀取方正排版文件提取元數(shù)據(jù)［J］.中國科技期刊研究，2015，26（6）：612_617.

［3］馮民，高紹強(qiáng).用excel宏程序提取fbd期刊數(shù)據(jù)的簡易編程［J］.中國科技期刊研究，2015，26（9）：969_974.

［4］李朝光，張銘，鄧志鴻，等.論文元數(shù)據(jù)信息的自動抽?。跩］.計算機(jī)工程與應(yīng)用，2002（21）：189_191.

［5］狄滌，周競揚(yáng)，潘金貴.基于規(guī)則的 HTML文檔元數(shù)據(jù)提取［J］.計算機(jī)工程，2004，30（9）：85_86.

［6］郭志鑫.基于本體的文檔引文元數(shù)據(jù)信息抽取［J］.微計算機(jī)信息，2006，22（18）：304_306.