■康宏宇 李 姣 侯 震 侯 麗

中國(guó)醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所，北京市朝陽(yáng)區(qū)雅寶路3號(hào) 100020

隨著信息技術(shù)和數(shù)字技術(shù)的迅猛發(fā)展，讀者的閱讀行為從紙質(zhì)閱讀逐漸轉(zhuǎn)至計(jì)算機(jī)(Personal Computer，PC)端和移動(dòng)端閱讀。出版資源也以PDF、超級(jí)文本標(biāo)記語(yǔ)言(Hyper Text Markup Language，HTML)、可擴(kuò)展標(biāo)記語(yǔ)言(Extensible Markup Language，XML)、圖片、視頻等形式存儲(chǔ)，并將相應(yīng)的內(nèi)容呈現(xiàn)給讀者。統(tǒng)一的期刊存儲(chǔ)標(biāo)準(zhǔn)將會(huì)促進(jìn)期刊資源整合，提高數(shù)據(jù)存儲(chǔ)質(zhì)量，方便數(shù)據(jù)管理；同時(shí)可使期刊資源與國(guó)際接軌，提升期刊自身的國(guó)際影響力。截至2017年年底，Medline收錄了全球范圍內(nèi)5200多種期刊、2400萬(wàn)篇文章，涉及40多種語(yǔ)言。其中，2016年共新增86.9萬(wàn)多篇生物醫(yī)學(xué)領(lǐng)域的優(yōu)秀文章[1]。 目前，在Medline收錄的期刊中，中國(guó)期刊有93種，僅占所有收錄期刊的1.8%。中國(guó)科技期刊出版社/編輯部呈現(xiàn)小而散的特點(diǎn)[2]，期刊之間的存儲(chǔ)格式缺乏統(tǒng)一的標(biāo)準(zhǔn)，導(dǎo)致國(guó)內(nèi)期刊在申請(qǐng)國(guó)際知名檢索時(shí)遇到困難，無(wú)法實(shí)現(xiàn)與國(guó)內(nèi)外同行的深度交流。因此，我國(guó)出版社和相關(guān)科研人員在加強(qiáng)醫(yī)學(xué)科學(xué)研究、撰寫(xiě)高質(zhì)量研究論文的同時(shí)，也應(yīng)注重資源積累過(guò)程中的資源存儲(chǔ)標(biāo)準(zhǔn)構(gòu)建，規(guī)范電子資源的存儲(chǔ)流程及方式，使期刊的資源存儲(chǔ)與管理方式與國(guó)際接軌，讓更多生物醫(yī)學(xué)期刊進(jìn)入包括Medline檢索和PubMed Central(PMC)檢索在內(nèi)的國(guó)際知名索引中[3]。

國(guó)際上較為通用的標(biāo)準(zhǔn)是由美國(guó)國(guó)家生物技術(shù)信息中心(National Center for Biotechnology Information，NCBI)創(chuàng)建的Journal Archiving Tag Suite(JATS)數(shù)據(jù)標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)已成熟地運(yùn)用于Medline和PMC檢索中，用于存儲(chǔ)和管理科技期刊的電子資源。

本研究以醫(yī)學(xué)類(lèi)期刊的資源存儲(chǔ)為切入點(diǎn)，以JATS數(shù)據(jù)標(biāo)準(zhǔn)為例，分析國(guó)外醫(yī)學(xué)期刊的電子資源存檔格式，調(diào)研國(guó)內(nèi)醫(yī)學(xué)期刊資源的存儲(chǔ)格式，總結(jié)資源存儲(chǔ)現(xiàn)狀及存在的問(wèn)題，制定面向醫(yī)學(xué)類(lèi)科技期刊資源存儲(chǔ)的格式處理與轉(zhuǎn)化流程，并開(kāi)展相關(guān)實(shí)踐，以提升國(guó)內(nèi)相關(guān)期刊的影響力，讓更多讀者了解并能夠迅速檢索到中國(guó)的高質(zhì)量期刊。

1 國(guó)外期刊資源存儲(chǔ)標(biāo)準(zhǔn)——以JATS數(shù)據(jù)標(biāo)準(zhǔn)為例

JATS數(shù)據(jù)標(biāo)準(zhǔn)被應(yīng)用于Medline檢索的文章摘要信息和PMC檢索的全文信息中，推動(dòng)了期刊電子資源規(guī)范化存儲(chǔ)與管理的進(jìn)程。

1.1 JATS數(shù)據(jù)標(biāo)準(zhǔn)概況

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

1.2 JATS數(shù)據(jù)標(biāo)準(zhǔn)在醫(yī)學(xué)期刊檢索中的應(yīng)用

(1) Medline檢索。Medline 數(shù)據(jù)庫(kù)創(chuàng)建于 1879 年，是由美國(guó)國(guó)立醫(yī)學(xué)圖書(shū)館(National Library of Medicine, NLM) 創(chuàng)建的綜合性生物醫(yī)學(xué)文獻(xiàn)書(shū)目數(shù)據(jù)庫(kù)，也是目前國(guó)際范圍內(nèi)使用最為廣泛和權(quán)威的生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫(kù)[6]。Medline重點(diǎn)收錄對(duì)衛(wèi)生和生物醫(yī)藥具有卓越貢獻(xiàn)的研究性期刊、臨床和實(shí)踐性期刊、評(píng)論性期刊以及相關(guān)領(lǐng)域的綜合性刊物。Medline遴選過(guò)程中重點(diǎn)關(guān)注期刊的學(xué)術(shù)水平和質(zhì)量，同時(shí)要求被收錄的期刊提供符合基于JATS標(biāo)準(zhǔn)的XML格式的文章摘要信息。期刊可以向NLM提供自己網(wǎng)站上所有文章的PDF全文鏈接，讓讀者在Medline檢索時(shí)能夠通過(guò)索引鏈接到全文。

(2) PMC檢索。PMC是由美國(guó)國(guó)立衛(wèi)生研究院(National Institutes of Health, NIH)和NLM創(chuàng)建并維護(hù)的生物醫(yī)學(xué)全文文獻(xiàn)資源，在國(guó)際生物醫(yī)學(xué)領(lǐng)域開(kāi)放獲取和知識(shí)共享方面享有較高的學(xué)術(shù)聲譽(yù)[7]。到目前為止，PMC 檢索共收錄6900余種期刊，460萬(wàn)篇全文文獻(xiàn)。

期刊文章的內(nèi)容和質(zhì)量以及文章存儲(chǔ)格式是進(jìn)入PMC檢索的2個(gè)關(guān)鍵點(diǎn)。文章內(nèi)容應(yīng)在原創(chuàng)研究論文、臨床病例報(bào)告、數(shù)據(jù)分析文章和臨床或外科手術(shù)描述的范圍內(nèi)。同時(shí)還會(huì)考量期刊編輯的獨(dú)立性和讀者多樣性。之后，PMC會(huì)對(duì)期刊的資源存儲(chǔ)格式進(jìn)行嚴(yán)格審查。期刊必須以符合文檔類(lèi)型定義(Document Type Definition，DTD)約束方式的XML/標(biāo)準(zhǔn)通用標(biāo)記語(yǔ)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(chǔ)格式的審查在整個(gè)PMC檢索收錄的申請(qǐng)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(biāo)準(zhǔn)的XML格式，同時(shí)也可以接受符合期刊出版領(lǐng)域廣泛使用的其他全文文獻(xiàn)DTD約束方式的XML文檔。XML文檔中應(yīng)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(hào)、分頁(yè)/文章序號(hào)、發(fā)行日期等)、文章的正文信息(如段落、文字、圖表、數(shù)學(xué)公式等)以及參考文獻(xiàn)和其他輔助信息。在提交過(guò)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(guò)程中發(fā)現(xiàn)錯(cuò)誤，PMC會(huì)反饋給出版商或雜志社，讓其進(jìn)行修改[8]。但如果再次提交之后仍有錯(cuò)誤，PMC則會(huì)拒絕該期刊的申請(qǐng)。

1.3 JATS數(shù)據(jù)標(biāo)準(zhǔn)的其他應(yīng)用場(chǎng)景

JATS數(shù)據(jù)標(biāo)準(zhǔn)除了被應(yīng)用于NLM的電子資源存儲(chǔ)與管理，也為眾多出版社、研究機(jī)構(gòu)、公司等提供了資源管理的基礎(chǔ)條件，這些機(jī)構(gòu)已在JATS標(biāo)準(zhǔn)的基礎(chǔ)上開(kāi)展了相關(guān)研究。

Penev等[9]對(duì)通用的JATS DTD進(jìn)行擴(kuò)展，開(kāi)發(fā)了TaxPub工具，用于生物系統(tǒng)學(xué)領(lǐng)域的期刊資源標(biāo)記和出版。Nakanishi等[10]設(shè)計(jì)了一種自動(dòng)轉(zhuǎn)換流程，能夠?qū)⑷瘴钠诳D(zhuǎn)換為符合JATS數(shù)據(jù)標(biāo)準(zhǔn)的XML文檔，并對(duì)文中的表格和數(shù)字做特殊處理，以完成表格的準(zhǔn)確定位和內(nèi)容轉(zhuǎn)換。Gebhard等[11]則更加關(guān)注文章中的數(shù)學(xué)公式，他們嘗試將Word文本文檔中的數(shù)學(xué)公式直接轉(zhuǎn)換成符合JATS數(shù)據(jù)標(biāo)準(zhǔn)的XML文檔。INERA公司也開(kāi)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(biāo)準(zhǔn)的文檔的轉(zhuǎn)換[12]。

2 國(guó)內(nèi)醫(yī)學(xué)期刊資源存儲(chǔ)現(xiàn)狀

隨著數(shù)字出版技術(shù)的發(fā)展，結(jié)構(gòu)化文檔在電子期刊存檔過(guò)程中體現(xiàn)出更多的優(yōu)勢(shì)。由于國(guó)內(nèi)醫(yī)學(xué)類(lèi)期刊眾多且出版機(jī)構(gòu)分散，缺乏統(tǒng)一的資源存檔格式及標(biāo)準(zhǔn)，格式轉(zhuǎn)換工作較難開(kāi)展。

2.1 結(jié)構(gòu)化文檔在國(guó)內(nèi)期刊中的應(yīng)用

隨著數(shù)字出版行業(yè)的發(fā)展，國(guó)內(nèi)科技期刊的出版已由傳統(tǒng)的紙質(zhì)出版逐漸向電子存檔與出版轉(zhuǎn)變。期刊的電子存檔和出版可以分為3個(gè)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(jīng)過(guò)專(zhuān)業(yè)的紙質(zhì)排版，再通過(guò)軟件或?qū)I(yè)操作人員轉(zhuǎn)成一般的非結(jié)構(gòu)化或半結(jié)構(gòu)化的電子版，如 Word/PDF或HTML文檔[13]。其中，HTML為一種半結(jié)構(gòu)化文檔，極大地提升了讀者的閱讀體驗(yàn)。而XML結(jié)構(gòu)化文檔的出現(xiàn)，可以實(shí)現(xiàn)資源的規(guī)范化存儲(chǔ)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(shì)在于這種存儲(chǔ)技術(shù)更注重元素和屬性的具體內(nèi)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(nèi)容的可復(fù)用性和存儲(chǔ)穩(wěn)定性。上述3種資源出版與存儲(chǔ)格式對(duì)比情況如表1所示。

為了推動(dòng)期刊電子資源存儲(chǔ)的規(guī)范與統(tǒng)一，已有少數(shù)研究團(tuán)體開(kāi)始使用結(jié)構(gòu)化文檔實(shí)現(xiàn)期刊電子資源的存儲(chǔ)與出版，并構(gòu)建與自身期刊特點(diǎn)相符的資源存儲(chǔ)標(biāo)準(zhǔn)；但大部分出版社仍處于使用結(jié)構(gòu)化文檔的探究階段。2014年10月，中華醫(yī)學(xué)會(huì)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(chǔ)上，對(duì)一些元素進(jìn)行了重構(gòu)[15]。目前CMA JATS被應(yīng)用于中華醫(yī)學(xué)會(huì)雜志社旗下的141種期刊和10種非中華醫(yī)學(xué)會(huì)期刊，已完成超過(guò)9.6萬(wàn)篇論文的全文結(jié)構(gòu)化數(shù)據(jù)處理。

2.2 國(guó)內(nèi)醫(yī)學(xué)期刊資源存儲(chǔ)差異

由于各期刊的排版樣式和網(wǎng)站呈現(xiàn)方式不同，其文檔的出版格式和存儲(chǔ)格式也不盡相同，缺乏統(tǒng)一的資源管理標(biāo)準(zhǔn)，最終導(dǎo)致資源之間的格式轉(zhuǎn)換無(wú)法快速實(shí)現(xiàn)，影響了國(guó)內(nèi)醫(yī)學(xué)類(lèi)期刊申請(qǐng)Medline檢索或PMC檢索的進(jìn)程。國(guó)內(nèi)醫(yī)學(xué)期刊之間資源存儲(chǔ)差異如表2所示。

表1 3種資源出版與存儲(chǔ)格式的對(duì)比

表2 國(guó)內(nèi)醫(yī)學(xué)期刊資源存儲(chǔ)差異對(duì)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(xué)雜志》等期刊將“陳萬(wàn)青”表示為Chen Wanqing；而ChineseJournalofCancerResearch等期刊則將其表示為Wanqing Chen。

(2) 作者機(jī)構(gòu)。有些期刊在數(shù)據(jù)存儲(chǔ)過(guò)程中使用作者機(jī)構(gòu)的全稱(chēng)，如中國(guó)醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所；有些期刊則采用機(jī)構(gòu)簡(jiǎn)稱(chēng)，如醫(yī)科院信息所。

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

(4) 參考文獻(xiàn)。參考文獻(xiàn)在正文中的引用方式不同，如AIMSCellandTissueEngineering等期刊采用內(nèi)容右上角數(shù)字加方括號(hào)方式引用，如 First described late in the 19th century by Neuber[1]，而《中華醫(yī)學(xué)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(gè)方面：一方面是存儲(chǔ)格式的要求，如文件類(lèi)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(xiàn)在文中的引用差異相似。

3 醫(yī)學(xué)類(lèi)期刊資源存儲(chǔ)的格式處理與轉(zhuǎn)化

通過(guò)上述分析可以看出：一方面，XML結(jié)構(gòu)化文檔在電子期刊存檔和出版過(guò)程中具有數(shù)據(jù)結(jié)構(gòu)化良好、展示性較強(qiáng)、復(fù)用性強(qiáng)、壓縮比高等優(yōu)勢(shì)，而國(guó)內(nèi)僅有少數(shù)出版社能夠以結(jié)構(gòu)化文檔對(duì)資源進(jìn)行全面的存儲(chǔ)與管理；另一方面，期刊或出版社資源存儲(chǔ)沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，存儲(chǔ)格式之間差異較大，這將影響國(guó)內(nèi)科技期刊的資源規(guī)范化管理和期刊申請(qǐng)進(jìn)入國(guó)際有影響力的檢索數(shù)據(jù)庫(kù)的進(jìn)度。所以，構(gòu)建規(guī)范化的期刊電子資源存儲(chǔ)標(biāo)準(zhǔn)，設(shè)計(jì)并開(kāi)發(fā)格式轉(zhuǎn)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(guó)內(nèi)醫(yī)學(xué)期刊資源存儲(chǔ)現(xiàn)狀的基礎(chǔ)上，結(jié)合JATS數(shù)據(jù)標(biāo)準(zhǔn)，設(shè)計(jì)了基于JATS數(shù)據(jù)標(biāo)準(zhǔn)的格式處理與轉(zhuǎn)換流程，并據(jù)此開(kāi)發(fā)系統(tǒng)，實(shí)現(xiàn)異構(gòu)資源存儲(chǔ)文檔向規(guī)范化文檔的轉(zhuǎn)化。系統(tǒng)中各模塊的運(yùn)作流程如圖1所示。

該系統(tǒng)分為4個(gè)工作模塊，分別是信息采集模塊、數(shù)據(jù)存儲(chǔ)模塊、信息抽取和轉(zhuǎn)化模塊及驗(yàn)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(duì)文件進(jìn)行解析。如果出版社已將相關(guān)信息存儲(chǔ)到結(jié)構(gòu)化數(shù)據(jù)庫(kù)中，則直接進(jìn)行數(shù)據(jù)抽取。根據(jù)PMC檢索中通用的JATS數(shù)據(jù)標(biāo)準(zhǔn)，對(duì)采集到的信息進(jìn)行規(guī)范化處理，并存儲(chǔ)到本地?cái)?shù)據(jù)庫(kù)中。規(guī)范化處理的信息包括期刊信息(期刊名稱(chēng)、ISSN、版權(quán)聲明等)、論文基本信息(論文標(biāo)題、作者、作者單位、聯(lián)系方式、出版信息等)、論文主體(摘要、關(guān)鍵詞、段落)、參考文獻(xiàn)及其他信息(參考文獻(xiàn)、致謝、附錄等)。對(duì)于用戶(hù)提交的論文圖片、表格等內(nèi)容，則直接存儲(chǔ)到服務(wù)器中。經(jīng)過(guò)規(guī)范化處理的信息，按NLM DTD文件要求對(duì)內(nèi)容進(jìn)行抽取，并完成自動(dòng)填充，生成格式統(tǒng)一的XML文件。最后，對(duì)XML文件是否符合要求進(jìn)行驗(yàn)證，若通過(guò)驗(yàn)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(méi)有通過(guò)驗(yàn)證，系統(tǒng)會(huì)反饋未通過(guò)的原因，用戶(hù)根據(jù)具體原因，可返回信息采集和規(guī)范化處理的相應(yīng)步驟并進(jìn)行人工修改。

圖1 資源格式處理與轉(zhuǎn)化工作流程

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

圖2 系統(tǒng)對(duì)AMIS Public Health進(jìn)行信息采集及格式轉(zhuǎn)換

圖3 系統(tǒng)生成的符合JATS標(biāo)準(zhǔn)的XML文檔

4 總結(jié)與展望

學(xué)術(shù)質(zhì)量和資源存儲(chǔ)格式是Medline檢索和PMC檢索申請(qǐng)過(guò)程中兩個(gè)關(guān)鍵因素。學(xué)術(shù)質(zhì)量代表著期刊內(nèi)容的科學(xué)性、創(chuàng)新性、實(shí)用性和時(shí)效性；而資源存儲(chǔ)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(shí)也是向Medline和PMC提交資源的必備因素。醫(yī)學(xué)類(lèi)科技期刊應(yīng)在不斷提升自身學(xué)術(shù)質(zhì)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(biāo)準(zhǔn)經(jīng)過(guò)了NLM大量文獻(xiàn)存儲(chǔ)的驗(yàn)證，是一種成熟的電子期刊資源存儲(chǔ)與管理的規(guī)范化標(biāo)準(zhǔn)。圍繞JATS數(shù)據(jù)標(biāo)準(zhǔn)開(kāi)展標(biāo)準(zhǔn)制定及格式轉(zhuǎn)換研究，能夠規(guī)范國(guó)內(nèi)醫(yī)學(xué)電子期刊的資源存儲(chǔ)、管理與信息轉(zhuǎn)換，加快國(guó)內(nèi)醫(yī)學(xué)期刊進(jìn)入國(guó)際權(quán)威檢索數(shù)據(jù)庫(kù)的步伐。本研究在JATS數(shù)據(jù)標(biāo)準(zhǔn)的基礎(chǔ)上開(kāi)發(fā)了資源格式處理與轉(zhuǎn)化系統(tǒng),以探究電子科技期刊資源規(guī)范化存儲(chǔ)方法和流程。該資源格式處理與轉(zhuǎn)化系統(tǒng)能夠幫助期刊編輯人員快速實(shí)現(xiàn)非結(jié)構(gòu)化文本向符合JATS數(shù)據(jù)標(biāo)準(zhǔn)的XML文檔的轉(zhuǎn)化，提高文檔轉(zhuǎn)化與生成效率，確保文檔格式準(zhǔn)確性，降低人工操作的運(yùn)作成本。

為了繼續(xù)推動(dòng)科技期刊資源格式轉(zhuǎn)化的相關(guān)工作，筆者將繼續(xù)深入研究NLM DTD結(jié)構(gòu)及JATS標(biāo)準(zhǔn)，提高轉(zhuǎn)化系統(tǒng)的準(zhǔn)確率，使其能夠識(shí)別各種類(lèi)型以及結(jié)構(gòu)復(fù)雜的科技論文；同時(shí)也將在JATS數(shù)據(jù)標(biāo)準(zhǔn)基礎(chǔ)上，研究適用于中文醫(yī)學(xué)期刊的資源存儲(chǔ)標(biāo)準(zhǔn)，推動(dòng)中文科技期刊的本地化建設(shè)，規(guī)范期刊存儲(chǔ)與管理流程，提升國(guó)內(nèi)期刊的國(guó)際影響力。