零散有存檔權(quán)PDF文件的采、編、檢管理工具

毛垣生 王 寧 常 紅 湯乃軍 鄭友紅

1.天津醫(yī)科大學(xué) 天津 300070 2.北京唯博賽科技有限公司 北京 100089

1 研究背景

對于零散的PDF文件進行保存在國內(nèi)外都是一個難題，圖書館參考咨詢部門對此又有強烈的需求。于是我們通過“電子文獻網(wǎng)絡(luò)結(jié)構(gòu)技術(shù)”研究，將零散的PDF文件名通過云計算自動采集題錄入庫，形成PDF文件名對照表。再將PDF文件名按照PMID編號重新命名，將PMID編號重新命名的PDF文件重新入庫，建立主關(guān)鍵字索引文件和搜索引擎，實現(xiàn)PDF文件名自動更名、自動分類、自動編輯、時時檢索管理工具。

2 項目介紹

要想建立數(shù)字資源即采、即編、即檢管理系統(tǒng)，首先要解決好知識產(chǎn)權(quán)問題。目前電子資源即采、即編、即檢管理系統(tǒng)已經(jīng)成為世界各國十分關(guān)注的問題。用戶電子資源存檔和知識產(chǎn)權(quán)問題成為研究的焦點[1]。近年來，許多國際出版社考慮到用戶的核心利益，在保護知識產(chǎn)權(quán)前提下，允許圖書館在中心館和專業(yè)館進行不同方式的電子資源存檔，作為特殊情況下館藏使用[2]。特別值得注意的是，很多數(shù)據(jù)庫廠商都授予國內(nèi)單位數(shù)據(jù)存檔權(quán)，在合同中標(biāo)明在數(shù)據(jù)庫發(fā)生故障無法使用時，或者合同到期訂購關(guān)系終止時，購買單位可以啟用電子存檔數(shù)據(jù)。電子資源存檔得到出版社的許可，是電子資源進行長期合法保存的關(guān)鍵[3]。

2.1 目前出版社許可的電子資源存檔方式

第一種方式：允許用戶購買電子資源停定以后，數(shù)據(jù)庫廠商將電子數(shù)據(jù)庫給用戶安裝在本地進行存檔和長期使用，給用戶安裝所有購買過的數(shù)據(jù)并允許用戶永久使用。

第二種方式：購買電子資源后，數(shù)據(jù)庫廠商提供給用戶一套全文光盤進行存檔，允許單臺計算機上永久使用。

第三種方式：允許用戶購買電子資源后，在中心館或?qū)I(yè)館由用戶自己做電子館藏。還可以提供給用戶存檔工具，存檔數(shù)據(jù)在訂購的數(shù)據(jù)庫發(fā)生自然災(zāi)害時供給讀者使用。

第四種方式：允許用戶保存開放獲取(OA)電子資源。免費數(shù)據(jù)庫允許用戶作為館藏永久使用。因此用戶不僅具有對所購買的電子資源在IP范圍內(nèi)的訪問權(quán)，還具有永久使用權(quán)。

2.2 研發(fā)的基本條件和用途

在尊重知識產(chǎn)權(quán)的前提下，首先在國際互聯(lián)網(wǎng)上收集OA電子期刊全文，以及與全文相對應(yīng)的題錄。根據(jù)讀者零散保存的PDF文件PMID編號，采集PubMed中的Summary題錄入庫，將文獻PDF文件名按照PMID編號進行更名入庫，再按照PMID作為主索引字段進行索引，最后在本地發(fā)布，提供本地檢索查詢使用。

研發(fā)使用硬件環(huán)境：P2.8 G處理器，G內(nèi)存，500G硬盤。

軟件運行環(huán)境：WindowsXP，.Net2.0以上，Offi ce2003中的ACCESS數(shù)據(jù)庫。

通過對開放獲取和有存檔權(quán)的醫(yī)學(xué)電子資源進行手工和自動即采、即編、即檢管理系統(tǒng)機制的研究，通過醫(yī)學(xué)網(wǎng)絡(luò)文獻結(jié)構(gòu)和自動挖掘方法，以及云計算、自動更名、自動分類、自動發(fā)布等技術(shù)，進而實現(xiàn)采、編、檢一條龍文獻館藏查詢系統(tǒng)。

數(shù)據(jù)使用：平時師生個人、參考咨詢部門學(xué)習(xí)和科學(xué)研究；遇到不可抗拒的自然災(zāi)害及政治因素等特殊情況導(dǎo)致數(shù)字資源終端不能使用時使用；作為數(shù)字資源館藏繳存和戰(zhàn)略容災(zāi)儲備。

3 項目實施

3.1 技術(shù)開發(fā)思路

由于該系統(tǒng)建設(shè)主要采集有存檔權(quán)的OA醫(yī)學(xué)電子期刊作為圖書館的館藏，整體設(shè)計思路是教師在知道文章出處情況下在本地計算機上查找館藏，因此以查找為主設(shè)計思路。目前采用WindowsXP平臺，.NET軟件，數(shù)據(jù)庫采用Office Access 2003數(shù)據(jù)庫。隨著數(shù)據(jù)庫數(shù)據(jù)量的增多，可以將數(shù)據(jù)導(dǎo)入到SQL，ORCL數(shù)據(jù)庫進行編輯、發(fā)布使用。因此該系統(tǒng)適合個人以及大、中、小圖書館用來建設(shè)醫(yī)學(xué)圖書館電子期刊館藏使用。

3.2 文獻網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計思路

按照PubMed編號對采集的PDF文件名重命名，就可以將不同期刊的電子文檔PDF文件命名統(tǒng)一化，用PMID編號作為數(shù)據(jù)庫的唯一主關(guān)鍵字字段。通過云計算和PMID編號在PubMed數(shù)據(jù)庫采集該篇文獻的題錄信息入庫。這樣就可以根據(jù)題錄信息中的刊號、年、卷、期、頁、作者、題名、摘要等字段查找文獻。由于不同出版社數(shù)據(jù)庫的PDF文件名組織形式各不相同，首先要解決PDF文件名組織形式統(tǒng)一問題，如何將各個出版社和數(shù)據(jù)庫廠商PDF文件名組織形式統(tǒng)一化是解決問題的關(guān)鍵。

如何手工和自動對文件名進行更名？手工對文件更名：將零散下載的文獻和文獻傳遞的PDF文件在PubMed中查找到后，每一個PubMed文獻都標(biāo)注了PMID編號，因此很容易按照PMID重新給PDF命名。利用采集工具自動對PDF文件更名，可以利用采集的文獻題錄庫自動給不同編號PDF更名為統(tǒng)一按照PMID編號的PDF文件。

“PubMed中PMID編號自動鏈接到PDF全文”功能。圖書館大量開放存取文獻如果沒有人進行整理，全文文件則不能作為圖書館的館藏。新的讀者要索取同一個有存檔權(quán)的全文文件，只有再發(fā)出索取同一個文件的全文傳遞請求，造成重復(fù)傳遞。而且互聯(lián)網(wǎng)出口流量增加，需要重復(fù)花費文獻傳遞費用，文獻傳遞時間也很長。針對上述問題，在遵守知識產(chǎn)權(quán)保護法規(guī)的基礎(chǔ)上，采用垂直搜索技術(shù)，將原始PDF文件的文件名轉(zhuǎn)換PMID編號的PDF文件名，成功地實現(xiàn)了PubMed中PMID編號自動鏈接到PDF全文功能。

3.3 技術(shù)研究路線

第一步，采用手工方法將文獻傳遞來的PDF文件通過Adobe Acrobat打開，在工具欄上選取[文本]工具，選定文章“題名”，將PDF的“題名”轉(zhuǎn)換成文本文件“題名”，核對無誤后，將文本文件“題名”復(fù)制到剪貼板。再打開“PubMed”，在輸入框中粘貼“剪貼板”中的文章“題名”后，點擊[GO]按鈕，進行“題名”檢索。檢索到該篇文章，在題錄中尋找如：PMID:17615536的編號，將PMID的編號“17615536”復(fù)制下來，將PDF的文件名更改為PMID編號的PDF文件名。

第二步，將按PMID更名的PDF文件入庫，進行索引倒排，生成按PMID編號PDF文件的搜索引擎。然后進行發(fā)布，讀者就可以找到的PMID編號文獻進行檢索，直接下載文獻傳遞過的全文文件，實現(xiàn)館藏建設(shè)。

第三步，考慮如何使用垂直搜索技術(shù)實現(xiàn)PubMed中PMID編號自動鏈接PDF全文功能。首先，分析了手工操作方法在PubMed中找到既有PMID:17615536的編號，又有PDF鏈接的頁面。使用信息采集工具，按既有PMID:17615536的編號，又有PDF鏈接的頁面進行配置共有字段的主鍵，將PMID:17615536，PDF文件名、文章題名、PDF鏈接地址鏈接成一個庫。然后進行索引倒排，將PDF文件名用PMID編號成批替換更名后，再按照PMID字段進行索引倒排，生成新的數(shù)據(jù)庫，從而實現(xiàn)PubMed中PMID編號自動鏈接PDF全文功能。

第四步，讀者需要全文傳遞時，首先在免費的PubMed中進行檢索，檢索到文章摘要中的PMID編號，將PMID編號輸入到可以自動鏈接PDF全文的檢索框中，只輸入PMID編號就可以進行全文檢索，為讀者提供“立等可取”的全文文獻提供服務(wù)。這個檢索查詢系統(tǒng)減少了互聯(lián)網(wǎng)出口流量，節(jié)省了有存檔權(quán)的全文傳遞的成本，實現(xiàn)了PDF全文本地化建設(shè)，增加了圖書館全文館藏，提高了圖書館文獻傳遞的速度和服務(wù)質(zhì)量。

4 結(jié)果討論

經(jīng)天津大學(xué)、南開大學(xué)、天津高等教育文獻信息中心、北京大學(xué)醫(yī)學(xué)部、北京首都醫(yī)科大學(xué)、中國人民解放軍圖書館、中國醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所、武漢大學(xué)圖書館、天津醫(yī)科大學(xué)總醫(yī)院、天津醫(yī)科大學(xué)第二附屬醫(yī)院、天津市人民醫(yī)院等單位測試或試用得到好評。2011年6月28日通過了天津市高新技術(shù)成果轉(zhuǎn)化中心組織的科研成果專家鑒定會。

該成果實現(xiàn)了本地允許保存零散的PDF文件再標(biāo)引，通過云計算技術(shù)實現(xiàn)了對文獻題錄的時時采集、時時編輯、時時發(fā)布，從而達到了即采、即編、即用的理想目標(biāo)。通過PubMed中PMID編號自動鏈接PDF，實現(xiàn)允許保存的零散PDF電子資源即采、即編、即檢管理系統(tǒng)的館藏建設(shè)。特別適合參考咨詢部門保存、管理、查詢零散的PDF全文，是一件具有實用價值的軟件工具。

5 未來發(fā)展

該系統(tǒng)是單機版進而開發(fā)網(wǎng)絡(luò)版文獻整合管理工具，目前只適合PubMed收錄的期刊進而擴大到OA期刊所有期刊，用同樣方法就可以實現(xiàn)理、工、農(nóng)、醫(yī)全學(xué)科的本地PDF數(shù)據(jù)采、編、檢。

[1] 翟建雄,圖書館館際互借和文獻提供中的版權(quán)問題:美國的立法和司法判例介紹[J].法律文獻信息與研究,2006(3):1-11.

[2] 翟建雄,信息開放存取中的版權(quán)問題及圖書館的對策[J].法律文獻信息與研究,2006(4):1-28.

[3] 王少輝,數(shù)字館藏長期保存中的版權(quán)問題研究[J].檔案管理,2006(5):37-38.