基于JATS標準的醫(yī)學期刊電子資源格式處理與轉化

■康宏宇 李 姣 侯 震 侯 麗

中國醫(yī)學科學院醫(yī)學信息研究所，北京市朝陽區(qū)雅寶路3號 100020

隨著信息技術和數(shù)字技術的迅猛發(fā)展，讀者的閱讀行為從紙質閱讀逐漸轉至計算機(Personal Computer，PC)端和移動端閱讀。出版資源也以PDF、超級文本標記語言(Hyper Text Markup Language，HTML)、可擴展標記語言(Extensible Markup Language，XML)、圖片、視頻等形式存儲，并將相應的內容呈現(xiàn)給讀者。統(tǒng)一的期刊存儲標準將會促進期刊資源整合，提高數(shù)據(jù)存儲質量，方便數(shù)據(jù)管理；同時可使期刊資源與國際接軌，提升期刊自身的國際影響力。截至2017年年底，Medline收錄了全球范圍內5200多種期刊、2400萬篇文章，涉及40多種語言。其中，2016年共新增86.9萬多篇生物醫(yī)學領域的優(yōu)秀文章[1]。 目前，在Medline收錄的期刊中，中國期刊有93種，僅占所有收錄期刊的1.8%。中國科技期刊出版社/編輯部呈現(xiàn)小而散的特點[2]，期刊之間的存儲格式缺乏統(tǒng)一的標準，導致國內期刊在申請國際知名檢索時遇到困難，無法實現(xiàn)與國內外同行的深度交流。因此，我國出版社和相關科研人員在加強醫(yī)學科學研究、撰寫高質量研究論文的同時，也應注重資源積累過程中的資源存儲標準構建，規(guī)范電子資源的存儲流程及方式，使期刊的資源存儲與管理方式與國際接軌，讓更多生物醫(yī)學期刊進入包括Medline檢索和PubMed Central(PMC)檢索在內的國際知名索引中[3]。

國際上較為通用的標準是由美國國家生物技術信息中心(National Center for Biotechnology Information，NCBI)創(chuàng)建的Journal Archiving Tag Suite(JATS)數(shù)據(jù)標準。該標準已成熟地運用于Medline和PMC檢索中，用于存儲和管理科技期刊的電子資源。

本研究以醫(yī)學類期刊的資源存儲為切入點，以JATS數(shù)據(jù)標準為例，分析國外醫(yī)學期刊的電子資源存檔格式，調研國內醫(yī)學期刊資源的存儲格式，總結資源存儲現(xiàn)狀及存在的問題，制定面向醫(yī)學類科技期刊資源存儲的格式處理與轉化流程，并開展相關實踐，以提升國內相關期刊的影響力，讓更多讀者了解并能夠迅速檢索到中國的高質量期刊。

1 國外期刊資源存儲標準——以JATS數(shù)據(jù)標準為例

JATS數(shù)據(jù)標準被應用于Medline檢索的文章摘要信息和PMC檢索的全文信息中，推動了期刊電子資源規(guī)范化存儲與管理的進程。

1.1 JATS數(shù)據(jù)標準概況

JATS(http://jats.nlm.nih.gov/)數(shù)據(jù)標準是PMC檢索中較為通用的資源存檔和交換標準，其定義了一系列描述期刊、文章特征的元素及屬性，并對文章中的圖片、表格、術語[4]等有特定的說明。標簽集共包含了250余個元素和130余個元素屬性。

1.2 JATS數(shù)據(jù)標準在醫(yī)學期刊檢索中的應用

(1) Medline檢索。Medline 數(shù)據(jù)庫創(chuàng)建于 1879 年，是由美國國立醫(yī)學圖書館(National Library of Medicine, NLM) 創(chuàng)建的綜合性生物醫(yī)學文獻書目數(shù)據(jù)庫，也是目前國際范圍內使用最為廣泛和權威的生物醫(yī)學文獻數(shù)據(jù)庫[6]。Medline重點收錄對衛(wèi)生和生物醫(yī)藥具有卓越貢獻的研究性期刊、臨床和實踐性期刊、評論性期刊以及相關領域的綜合性刊物。Medline遴選過程中重點關注期刊的學術水平和質量，同時要求被收錄的期刊提供符合基于JATS標準的XML格式的文章摘要信息。期刊可以向NLM提供自己網站上所有文章的PDF全文鏈接，讓讀者在Medline檢索時能夠通過索引鏈接到全文。

(2) PMC檢索。PMC是由美國國立衛(wèi)生研究院(National Institutes of Health, NIH)和NLM創(chuàng)建并維護的生物醫(yī)學全文文獻資源，在國際生物醫(yī)學領域開放獲取和知識共享方面享有較高的學術聲譽[7]。到目前為止，PMC 檢索共收錄6900余種期刊，460萬篇全文文獻。

期刊文章的內容和質量以及文章存儲格式是進入PMC檢索的2個關鍵點。文章內容應在原創(chuàng)研究論文、臨床病例報告、數(shù)據(jù)分析文章和臨床或外科手術描述的范圍內。同時還會考量期刊編輯的獨立性和讀者多樣性。之后，PMC會對期刊的資源存儲格式進行嚴格審查。期刊必須以符合文檔類型定義(Document Type Definition，DTD)約束方式的XML/標準通用標記語言(Standard Generalized Markup Language，SGML)格式向PMC提供文章的全文，PMC不接受HTML格式的文章。

資源存儲格式的審查在整個PMC檢索收錄的申請流程中尤為重要。NLM建議所提交的數(shù)據(jù)要符合JATS 數(shù)據(jù)標準的XML格式，同時也可以接受符合期刊出版領域廣泛使用的其他全文文獻DTD約束方式的XML文檔。XML文檔中應包含文章的基本元數(shù)據(jù)信息(如ISSN、期刊出版商或雜志社、卷號、分頁/文章序號、發(fā)行日期等)、文章的正文信息(如段落、文字、圖表、數(shù)學公式等)以及參考文獻和其他輔助信息。在提交過程中，每篇文章的數(shù)據(jù)提交包必須完整，包含XML / SGML、PDF、高分辨率的數(shù)字圖像文件、電子表格、視頻文件等涉及文章出版的所有文件。如果審查過程中發(fā)現(xiàn)錯誤，PMC會反饋給出版商或雜志社，讓其進行修改[8]。但如果再次提交之后仍有錯誤，PMC則會拒絕該期刊的申請。

1.3 JATS數(shù)據(jù)標準的其他應用場景

JATS數(shù)據(jù)標準除了被應用于NLM的電子資源存儲與管理，也為眾多出版社、研究機構、公司等提供了資源管理的基礎條件，這些機構已在JATS標準的基礎上開展了相關研究。

Penev等[9]對通用的JATS DTD進行擴展，開發(fā)了TaxPub工具，用于生物系統(tǒng)學領域的期刊資源標記和出版。Nakanishi等[10]設計了一種自動轉換流程，能夠將日文期刊轉換為符合JATS數(shù)據(jù)標準的XML文檔，并對文中的表格和數(shù)字做特殊處理，以完成表格的準確定位和內容轉換。Gebhard等[11]則更加關注文章中的數(shù)學公式，他們嘗試將Word文本文檔中的數(shù)學公式直接轉換成符合JATS數(shù)據(jù)標準的XML文檔。INERA公司也開發(fā)了一款名為eXtyles NLM的工具，試圖完成Word文檔向符合JATS數(shù)據(jù)標準的文檔的轉換[12]。

2 國內醫(yī)學期刊資源存儲現(xiàn)狀

隨著數(shù)字出版技術的發(fā)展，結構化文檔在電子期刊存檔過程中體現(xiàn)出更多的優(yōu)勢。由于國內醫(yī)學類期刊眾多且出版機構分散，缺乏統(tǒng)一的資源存檔格式及標準，格式轉換工作較難開展。

2.1 結構化文檔在國內期刊中的應用

隨著數(shù)字出版行業(yè)的發(fā)展，國內科技期刊的出版已由傳統(tǒng)的紙質出版逐漸向電子存檔與出版轉變。期刊的電子存檔和出版可以分為3個階段，即PDF全文展現(xiàn)階段、HTML階段和XML階段。目前，大多數(shù)期刊都可以先經過專業(yè)的紙質排版，再通過軟件或專業(yè)操作人員轉成一般的非結構化或半結構化的電子版，如 Word/PDF或HTML文檔[13]。其中，HTML為一種半結構化文檔，極大地提升了讀者的閱讀體驗。而XML結構化文檔的出現(xiàn)，可以實現(xiàn)資源的規(guī)范化存儲與管理，節(jié)省期刊出版及資源管理的物力和人力。相較于HTML，XML文檔的另一優(yōu)勢在于這種存儲技術更注重元素和屬性的具體內容，更多地用于描述數(shù)據(jù)，而不提供數(shù)據(jù)的顯示方法[14]，更加保證了內容的可復用性和存儲穩(wěn)定性。上述3種資源出版與存儲格式對比情況如表1所示。

為了推動期刊電子資源存儲的規(guī)范與統(tǒng)一，已有少數(shù)研究團體開始使用結構化文檔實現(xiàn)期刊電子資源的存儲與出版，并構建與自身期刊特點相符的資源存儲標準；但大部分出版社仍處于使用結構化文檔的探究階段。2014年10月，中華醫(yī)學會雜志社發(fā)布了CMA JATS 0.1版，它在繼承NLM DTD大部分元素的基礎上，對一些元素進行了重構[15]。目前CMA JATS被應用于中華醫(yī)學會雜志社旗下的141種期刊和10種非中華醫(yī)學會期刊，已完成超過9.6萬篇論文的全文結構化數(shù)據(jù)處理。

2.2 國內醫(yī)學期刊資源存儲差異

由于各期刊的排版樣式和網站呈現(xiàn)方式不同，其文檔的出版格式和存儲格式也不盡相同，缺乏統(tǒng)一的資源管理標準，最終導致資源之間的格式轉換無法快速實現(xiàn)，影響了國內醫(yī)學類期刊申請Medline檢索或PMC檢索的進程。國內醫(yī)學期刊之間資源存儲差異如表2所示。

表1 3種資源出版與存儲格式的對比

表2 國內醫(yī)學期刊資源存儲差異對比

(1) 作者姓名。不同期刊作者姓和名的前后位置不同，如《中華醫(yī)學雜志》等期刊將“陳萬青”表示為Chen Wanqing；而ChineseJournalofCancerResearch等期刊則將其表示為Wanqing Chen。

(2) 作者機構。有些期刊在數(shù)據(jù)存儲過程中使用作者機構的全稱，如中國醫(yī)學科學院醫(yī)學信息研究所；有些期刊則采用機構簡稱，如醫(yī)科院信息所。

(3) 期刊信息。有些期刊在存儲論文的收錄情況時直接采用參考文獻格式，如中華醫(yī)學雜志，2013，126(14):2705-2707；而有些期刊則將收錄時間、卷、期等信息分類別存儲，如Received: 2 October 2017; Accepted: 19 January 2018; Published: 24 January 2018。

(4) 參考文獻。參考文獻在正文中的引用方式不同，如AIMSCellandTissueEngineering等期刊采用內容右上角數(shù)字加方括號方式引用，如 First described late in the 19th century by Neuber[1]，而《中華醫(yī)學雜志英文版》等期刊則直接采用右上角數(shù)字的方式引用，如 the prevention of cancer invasion and metastasis.2,3。

(5) 圖表、視頻等附件。附件的差異表現(xiàn)在兩個方面：一方面是存儲格式的要求，如文件類型、像素、大小等；另一方面是附件在文中的引用方式，具體形式與參考文獻在文中的引用差異相似。

3 醫(yī)學類期刊資源存儲的格式處理與轉化

通過上述分析可以看出：一方面，XML結構化文檔在電子期刊存檔和出版過程中具有數(shù)據(jù)結構化良好、展示性較強、復用性強、壓縮比高等優(yōu)勢，而國內僅有少數(shù)出版社能夠以結構化文檔對資源進行全面的存儲與管理；另一方面，期刊或出版社資源存儲沒有統(tǒng)一的標準，存儲格式之間差異較大，這將影響國內科技期刊的資源規(guī)范化管理和期刊申請進入國際有影響力的檢索數(shù)據(jù)庫的進度。所以，構建規(guī)范化的期刊電子資源存儲標準，設計并開發(fā)格式轉換工具是非常必要的。

為了加大科技期刊的資源管理力度，提升期刊影響力，本研究在分析國內醫(yī)學期刊資源存儲現(xiàn)狀的基礎上，結合JATS數(shù)據(jù)標準，設計了基于JATS數(shù)據(jù)標準的格式處理與轉換流程，并據(jù)此開發(fā)系統(tǒng)，實現(xiàn)異構資源存儲文檔向規(guī)范化文檔的轉化。系統(tǒng)中各模塊的運作流程如圖1所示。

該系統(tǒng)分為4個工作模塊，分別是信息采集模塊、數(shù)據(jù)存儲模塊、信息抽取和轉化模塊及驗證模塊。根據(jù)出版社提供的數(shù)據(jù)格式，借助Dom4j/XPath、Jsoup、Apache poi等工具對文件進行解析。如果出版社已將相關信息存儲到結構化數(shù)據(jù)庫中，則直接進行數(shù)據(jù)抽取。根據(jù)PMC檢索中通用的JATS數(shù)據(jù)標準，對采集到的信息進行規(guī)范化處理，并存儲到本地數(shù)據(jù)庫中。規(guī)范化處理的信息包括期刊信息(期刊名稱、ISSN、版權聲明等)、論文基本信息(論文標題、作者、作者單位、聯(lián)系方式、出版信息等)、論文主體(摘要、關鍵詞、段落)、參考文獻及其他信息(參考文獻、致謝、附錄等)。對于用戶提交的論文圖片、表格等內容，則直接存儲到服務器中。經過規(guī)范化處理的信息，按NLM DTD文件要求對內容進行抽取，并完成自動填充，生成格式統(tǒng)一的XML文件。最后，對XML文件是否符合要求進行驗證，若通過驗證，則可以按照PMC的要求繼續(xù)完成XML文件和其他材料的提交；若沒有通過驗證，系統(tǒng)會反饋未通過的原因，用戶根據(jù)具體原因，可返回信息采集和規(guī)范化處理的相應步驟并進行人工修改。

圖1 資源格式處理與轉化工作流程

在運用資源格式處理與轉化系統(tǒng)方面，AMIS出版社的AMISPublicHealth期刊已完成資源的格式轉化，如圖2和圖3所示，并順利通過了PMC的格式審查。

圖2 系統(tǒng)對AMIS Public Health進行信息采集及格式轉換

圖3 系統(tǒng)生成的符合JATS標準的XML文檔

4 總結與展望

學術質量和資源存儲格式是Medline檢索和PMC檢索申請過程中兩個關鍵因素。學術質量代表著期刊內容的科學性、創(chuàng)新性、實用性和時效性；而資源存儲格式的規(guī)范與否則反映了期刊資源管理的合理性和有效性，同時也是向Medline和PMC提交資源的必備因素。醫(yī)學類科技期刊應在不斷提升自身學術質量的前提下，管理好期刊資源，注重資源格式的規(guī)范。

JATS數(shù)據(jù)標準經過了NLM大量文獻存儲的驗證，是一種成熟的電子期刊資源存儲與管理的規(guī)范化標準。圍繞JATS數(shù)據(jù)標準開展標準制定及格式轉換研究，能夠規(guī)范國內醫(yī)學電子期刊的資源存儲、管理與信息轉換，加快國內醫(yī)學期刊進入國際權威檢索數(shù)據(jù)庫的步伐。本研究在JATS數(shù)據(jù)標準的基礎上開發(fā)了資源格式處理與轉化系統(tǒng),以探究電子科技期刊資源規(guī)范化存儲方法和流程。該資源格式處理與轉化系統(tǒng)能夠幫助期刊編輯人員快速實現(xiàn)非結構化文本向符合JATS數(shù)據(jù)標準的XML文檔的轉化，提高文檔轉化與生成效率，確保文檔格式準確性，降低人工操作的運作成本。

為了繼續(xù)推動科技期刊資源格式轉化的相關工作，筆者將繼續(xù)深入研究NLM DTD結構及JATS標準，提高轉化系統(tǒng)的準確率，使其能夠識別各種類型以及結構復雜的科技論文；同時也將在JATS數(shù)據(jù)標準基礎上，研究適用于中文醫(yī)學期刊的資源存儲標準，推動中文科技期刊的本地化建設，規(guī)范期刊存儲與管理流程，提升國內期刊的國際影響力。