民國報紙縮微膠片數(shù)字化及服務探析
——以國家圖書館為例

肖　紅　　吳　茗　　曾　燕（國家圖書館，北京100081）

?

民國報紙縮微膠片數(shù)字化及服務探析
——以國家圖書館為例

肖紅吳茗曾燕
（國家圖書館，北京100081）

[摘要]民國報紙是研究民國歷史、把握民國文化精髓的重要文獻，受載體損壞、組織形式復雜等因素影響，一直未能廣泛為讀者提供服務。結合國家圖書館的具體實踐，系統(tǒng)分析了民國報紙縮微膠片的數(shù)字化方法及服務模式，并介紹了工作中存在的問題及對未來的展望。

[關鍵詞]民國報紙縮微膠片數(shù)字化服務

[分類號]G255.72

自我國第一種報紙——唐朝時的邸報（官報）問世以來，我國報業(yè)便迅速發(fā)展，并成為傳播知識、社會教育的重要媒介。民國報紙經(jīng)歷了辛亥革命、五四運動等多次社會動蕩，承載著特定歷史時期的珍貴記錄，是反映民國時期中國政治、經(jīng)濟、軍事、科學、文化、生活等各個方面的重要文獻，同時也是中華民族文化寶庫的有機組成部分，具有特殊的參考價值和史料價值。

民國時期是造紙工藝過渡時期，因材料混雜，工藝落后，導致民國報紙酸度大，質(zhì)量差，極易老化。另外，報紙建報之初并未考慮長期保存，受保存條件和方法所限，大量民國報紙出現(xiàn)紙張惡化、無法利用的慘狀。近年來，很多圖書館采用縮微或數(shù)字化技術進行民國報紙的搶救、保存為讀者服務。筆者在國家圖書館從事文獻數(shù)字化工作多年，并親身參與民國報紙縮微膠片的數(shù)字化及服務工作，提出幾點想法，希望能為其他圖書館的民國報紙數(shù)字化工作起到借鑒作用。

1民國報紙縮微膠片數(shù)字化的必要性

1.1縮微膠片的優(yōu)點

與民國報紙原件嚴重損壞、一觸即碎屑滿地的情況相比，其縮微膠片在很大程度上解決了民國報紙的保存和服務問題。縮微膠片節(jié)省存儲空間，通過拷貝的方式可基本實現(xiàn)長期保存，并可通過一定的政策實現(xiàn)各圖書館間民國報紙的共建共享，查漏補缺。

1.2縮微膠片的局限

膠片因其載體的特殊性，只能使用專門的膠片閱讀設備閱讀，硬件成本較高，圖書館配置數(shù)量有限，尤其是經(jīng)費緊張的小型圖書館，無法充分提供服務。讀者缺乏膠片閱讀設備的使用知識，需要圖書館員的技術支持，增加了人員成本。報紙出版周期短，信息量大，版數(shù)多，而且編目時一般只揭示到報紙名稱，膠片閱讀設備只能以瀏覽方式閱讀某卷報紙，無法按讀者指定的日期、版次等進行精確的檢索服務，讀者往往需要不停地更換膠卷并逐頁瀏覽報紙來找到所需的信息，花費較多的時間也未必能獲得想要的信息資源，讀者需求較難滿足。

1.3數(shù)字化的必要性

眾所周知，很多圖書館很早便開始針對館藏民國圖書和民國期刊的數(shù)字化工作，民國報紙卻始終被束之高閣，國家圖書館亦是如此，除少數(shù)幾種報紙用于數(shù)字化實驗外，并未大規(guī)模開展民國報紙的數(shù)字化工作[1]。報紙具有出版頻率高、載體形態(tài)復雜、內(nèi)容組織形式豐富、數(shù)量大等特點，加上民國報紙原件的脆弱，導致民國報紙的數(shù)字化工作進展緩慢。但在互聯(lián)網(wǎng)和多媒體技術迅速發(fā)展的今天，為了將民國報紙這一珍貴資源早日呈現(xiàn)給讀者，并提供報名、篇名、版面等多種檢索方式的網(wǎng)絡閱讀服務，其數(shù)字化工作迫在眉睫。

2民國報紙縮微膠片數(shù)字化的方法

2.1縮微膠片數(shù)字化的優(yōu)缺點

1985年全國圖書館文獻縮微復制中心成立[2]，因每個成員館藏民國報紙種類有限，存在殘缺、內(nèi)容不全、載體損壞等多種問題，報紙縮微拍攝前通常會進行補缺、登記、整熨、修補、排序等多項整理工作[3]，因此用縮微膠片數(shù)字化比直接數(shù)字化原件更全面，信息更完整。民國報紙數(shù)字化除了要得到報紙的影像文件，經(jīng)過OCR處理的全文文件也是很重要的數(shù)字化成果，經(jīng)過一定的計算機技術處理，可以實現(xiàn)民國報紙的全文檢索。然而，原件本身的劣化，拍攝時的縮微比例，最終可能導致文字斷筆、透字、重影和模糊，將直接影響文字識別的準確性，除了需要設計較好的識別算法來控制，還需要大量的人力輔助工作。

2.2對象數(shù)據(jù)

2.2.1民國報紙的特點

民國報紙縮微膠片數(shù)字化除了考慮掃描圖像的格式、分辨率等參數(shù)，還應充分考慮其載體形態(tài)和內(nèi)容組織的特殊性。民國時期報紙開本大小不統(tǒng)一，版面版次也有很大的隨意性；一張兩版的報紙部分有中縫內(nèi)容，部分沒有，有中縫內(nèi)容的也因為折疊裝訂導致中縫內(nèi)容被遮掩而看不清；有號外、增刊、特刊、副刊等特殊版面內(nèi)容；報紙內(nèi)容另一個顯著的特點是各類廣告所占篇幅較大。

2.2.2實踐中應側重考慮的問題

①圖像格式：數(shù)字化圖像分長期保存級和發(fā)布服務級兩個級別。長期保存級數(shù)據(jù)用于數(shù)據(jù)保存，不應用于網(wǎng)絡，可作格式轉換和復制的母本。經(jīng)過大量的試驗對比，國家圖書館選用業(yè)界廣泛接受的不壓縮TIFF格式作為民國報紙長期保存級數(shù)據(jù)格式，8位灰度掃描，分辨率為300DPI。

發(fā)布服務級數(shù)據(jù)由長期保存級數(shù)據(jù)經(jīng)適當?shù)膲嚎s和格式轉換獲得，經(jīng)由互聯(lián)網(wǎng)等渠道為廣大讀者提供服務。國家圖書館提供數(shù)字資源服務的方式豐富多樣，如個人計算機、觸摸屏、數(shù)字電視、移動終端等，每種服務方式對發(fā)布服務級數(shù)據(jù)的格式均有一定的要求，綜合考慮后將發(fā)布服務級數(shù)據(jù)格式選為JPG格式和雙層PDF格式，雙層PDF格式的上層為圖像層，下層為文本層。

②OCR識別的范圍：影像數(shù)據(jù)只能提供簡單的版面瀏覽服務，無法像全文文本數(shù)據(jù)一樣，經(jīng)過計算機和數(shù)據(jù)處理便可實現(xiàn)按用戶指定的檢索詞來快速準確地檢索信息。受經(jīng)費和民國報紙數(shù)字化經(jīng)驗等多方面因素的限制，本著先做起來再逐步完善的思想，國家圖書館民國報紙縮微膠片數(shù)字化項目規(guī)定現(xiàn)階段只對報紙篇目內(nèi)容（包括引題、標題和副題）進行OCR文字識別和位置置標，方便用戶檢索報紙標題內(nèi)容來相對精確地查找信息。

③圖像的切分與合并：民國報紙在開本和版面安排上沒有一定的規(guī)律，可能一張為一版，也可能一張有多版，為能夠向讀者提供最基本的按版面進行檢索與瀏覽的服務，規(guī)定每版加工成一幅圖像。如縮微膠片存在一拍多版時，按版拆分圖像；一版多拍時，長期保存級文件按拍攝膠片直接轉換圖像，發(fā)布服務級圖像需將多拍圖像拼接為一幅JPG或PDF文件。

④中縫和廣告：據(jù)抽樣統(tǒng)計，報紙廣告所占的版面比例很高，北京《晨報》占52.7%，天津《益世報》占62%，上海《申報》占42.7%[4]，由于開本較大，在裝訂時常采用中縫對折裝訂、導致中縫內(nèi)容損壞嚴重。縮微拍攝時不論中縫裝訂部分拆與不拆，裝訂過的中縫信息都將不同程度地破損或缺失，基本無法還原原有信息內(nèi)容。考慮民國報紙的中縫內(nèi)容破損較嚴重以致難以恢復，且多為廣告類資源，實質(zhì)性信息較少，轉成數(shù)字化圖像時將采用計算機圖像處理技術去除中縫信息。目前，由于經(jīng)費和時間等因素限制，各版面中的廣告原樣保存，但雙層PDF的文本層將暫時放棄對廣告內(nèi)容的識別，未來可以考慮再進行廣告加工。

⑤號外、增刊、副刊、特刊：大部分民國報紙的號外、增刊、副刊和特刊是和當日普通版面報紙一起出版的，有的為獨立版面，有的占據(jù)普通版面。如此看來，號外等特殊版面的圖像加工和普通版面并無兩樣，但需在相應的文檔里進行記錄，以便日后的檢索和統(tǒng)計等。

2.3元數(shù)據(jù)

國家圖書館館藏民國報紙縮微膠片的元數(shù)據(jù)是標準MARC格式，記錄了該種報紙的名稱、出版地、出版時間等各種信息。民國報紙在數(shù)字化過程中會產(chǎn)生很多新的元數(shù)據(jù)信息，如版次、篇目坐標和篇目作者等，考慮讀者的個性化需求和未來可能為讀者提供的各類檢索服務，此處用ACCESS數(shù)據(jù)庫和XML文件來保存新的元數(shù)據(jù)內(nèi)容。ACCESS數(shù)據(jù)庫記錄信息更全面，分基本信息表、版面篇目信息表和結構信息表，分別用于基本信息記錄、元數(shù)據(jù)與對象數(shù)據(jù)掛接和報紙結構揭示。XML文件主要從全文識別的角度來記錄數(shù)據(jù)。兩種元數(shù)據(jù)文件都將記錄到標題及其在版面的具體位置等最小粒度。

2.4存儲路徑

國家圖書館館藏民國報紙種類多、出版頻率高（一日、三日、一周等）、每期有多個版面等特點要求其在介質(zhì)上的存儲路徑要清晰，便于查找。結合每種報紙編目時賦予的唯一標識號和出版日期，將其存儲路徑設為兩個層級。第一級為每種報紙的唯一標識號，不同的報紙此標識號唯一、不重復，可由MARC中的001字段內(nèi)容充當。第二級為期號，8位數(shù)字組成：4位年、兩位月、兩位日組成，相應的文件夾下放置該期的版次掃描圖像。如：唯一標識號為2009n00884，出版日期為1940年2月1日，民國報紙相應的圖像掃描文件應存放于 2009n0088419400201目錄下。

3民國報紙數(shù)字資源服務模式

數(shù)字報紙的服務模式依賴于數(shù)字報紙的格式、整合深度和整合方式。格式分圖像、文本和圖像文本雙層3種格式。整合深度為對報紙的揭示深度，從大到小可分為報紙名稱級別、版面級別、篇目標題級別和篇目內(nèi)容級別。整合方式，即針對報紙各級別內(nèi)容進行多個維度的分類處理、數(shù)據(jù)挖掘而獲得更深層次的內(nèi)容聚合，如主題知識庫、人物知識庫等。早期報紙因缺少原始排版的電子文件，需經(jīng)過掃描等方式將印本轉換為數(shù)字化圖像提供圖像級別服務。近期報紙在互聯(lián)網(wǎng)和數(shù)字出版技術不斷發(fā)展的大環(huán)境下，可以原始原貌的數(shù)字格式提供各種級別的檢索服務，無需從紙本進行數(shù)字化，不但可以有效降低成本，還能極大地滿足讀者的需求。國家圖書館正在深入研究自建或已購買的數(shù)字報紙庫的服務模式，總結經(jīng)驗，努力探尋當前民國報紙的最佳服務模式。

3.1基于圖像的服務

3.1.1基于版面的圖像服務

基于版面的圖像服務為按照報紙名稱、版面、出版日期等提供對數(shù)字報紙的簡單瀏覽和檢索服務。如國家圖書館的“數(shù)字報紙典藏與服務項目”，通過網(wǎng)絡采集、報社繳送等方式收集的近年來出版的數(shù)字報紙，按照報紙名稱、地區(qū)、出版日期和版次進行整理，提供版面級別的原版原式圖像瀏覽服務。

“報紙在線閱讀系統(tǒng)”對通過網(wǎng)絡采集獲得的報紙資源，提供字序、報紙種類和地區(qū)3個維度的分類瀏覽和按報紙名稱的檢索服務，對每種報紙可進行逐頁圖像的瀏覽，并支持對感興趣區(qū)域的剪報服務。

此種方式因支持報紙原版原式圖像瀏覽，能滿足大多讀者的讀報體驗。

3.1.2基于篇目標題的圖像服務

“臺灣時報數(shù)據(jù)庫”提供按報紙篇目進行檢索，檢索結果為該篇目內(nèi)容的圖像文件，不可編輯和復制內(nèi)容。每個篇目文件為黑白二值圖像，字多圖少，如此提供服務也符合了時報快捷、簡單的特點。

3.2基于內(nèi)容的服務

3.2.1基于篇目標題的內(nèi)容服務

基于篇目標題的內(nèi)容服務即提供篇目名稱的檢索、瀏覽，并可對內(nèi)容進行編輯等操作。如“中國重要報紙全文數(shù)據(jù)庫（清華同方）”提供篇目級別的按主題、題名、關鍵詞、全文、出版時間、作者、句子和中圖分類號等進行的模糊和精確檢索服務。檢索結果為簡單排版的篇目內(nèi)容，包括報名、出版日期、版次、題名、作者和正文。

該方式不體現(xiàn)原報紙的排版信息，適用于側重內(nèi)容查找的讀者，對讀報體驗有較高要求的讀者不太適合。

“中國報紙資源全文數(shù)據(jù)庫（方正阿帕比）”提供按報紙名稱、新聞圖片和新聞3類進行檢索，并可按地區(qū)進行分類。報紙名稱檢索，針對名稱和刊號進行查找；新聞檢索，按標題、內(nèi)容、出處、作者和版名進行檢索；新聞圖片檢索，檢索點包括標題、內(nèi)容、作者和出處。用戶界面可同時展示報紙原貌、版號、版面名稱和各版的篇目標題。通過點擊篇目標題或鼠標單擊報紙感興趣的篇目區(qū)域來獲得篇目內(nèi)容。篇目內(nèi)容的展示與原報紙排版略有差異，文字部分可編輯。

該方式既能展現(xiàn)報紙原貌，又可進行篇目閱讀、檢索與編輯，較好地滿足大多數(shù)讀者的需求。

3.2.2基于全文的內(nèi)容服務

基于全文的內(nèi)容服務是在報紙全文文字識別的基礎上，實現(xiàn)對全文內(nèi)容進行檢索、瀏覽和編輯的服務。如本館購買的“參考消息”數(shù)據(jù)庫提供了該報紙自創(chuàng)刊以來的全部報紙原版、文字、圖片、表格和廣告的全文信息，支持對各部分內(nèi)容的文字檢索。依據(jù)“參考消息”的報道特點，數(shù)據(jù)庫對報紙進行了特色分類，并可在各自分類下進行檢索，同時具有題名、報紙名稱、期號和全文內(nèi)容的檢索能力。

此種方式為目前較受歡迎的服務方式，提供類似服務方式的還有“經(jīng)濟日報”。

3.3國家圖書館民國報紙數(shù)字資源的服務模式

通過研究各種數(shù)字報紙的服務模式，比較現(xiàn)代報紙和民國報紙的多方面情況（如表1所示），充分考慮民國報紙的自身特點、經(jīng)費限制以及迫切需要對外提供服務等因素，秉承“先做起來再逐步完善”的基本思想，國家圖書館克服諸多困難完成了縮微膠片到影像圖片的轉換，并進行標題內(nèi)容的文字識別工作，以期盡快將數(shù)字化數(shù)據(jù)用于網(wǎng)絡服務，最終選用基于篇目標題的圖像服務模式。考慮到將來各方面條件充足時，可能進行基于全文的內(nèi)容服務，民國報紙的發(fā)布平臺會預留全文服務的接口。

此種方式提供報紙名稱、版面、出版日期、篇名等信息的簡單瀏覽和檢索服務，既能實現(xiàn)讀者按報紙原版原式閱讀，同時還能對篇目進行檢索服務。

表1　現(xiàn)代報紙和民國報紙比較

4問題與展望

4.1面臨的問題

4.1.1部分報紙信息存在變更

民國報紙種數(shù)多，出版周期、每期版數(shù)和報紙名稱等變化大，尤其對存在繼承、替代等關系的報紙，如果要在元數(shù)據(jù)中清晰地著錄這些信息將會遇到一定的困難，需要查閱大量資料來確定變化前后的名稱、關系等各種信息的真實性。

4.1.2文字識別困難較大，需大量人為干預

報紙原件在縮微拍攝前進行了很多細致的整理工作，但由于原件本身質(zhì)量較差，文字不清晰，透字較嚴重，尤其是縮微倍率的問題，導致報紙縮微膠片的內(nèi)容有斷筆、模糊等情況，OCR文字識別準確率不到30%，要實現(xiàn)報紙全文識別，從而提供全文檢索服務仍任重而道遠。

4.1.3發(fā)布平臺需更新

資源的質(zhì)量和加工深度是基礎，好的展示平臺是關鍵。國家圖書館正在使用的資源發(fā)布平臺是以圖書類型資源為主體設計的，元數(shù)據(jù)即為MARC數(shù)據(jù)，對象數(shù)據(jù)為每頁書的影像數(shù)據(jù)，一般為PDF格式。民國報紙的組織形式和圖書迥異，很難在現(xiàn)有的發(fā)布平臺上得到很好的展示，尤其考慮將來完成報紙全文的文字識別后，現(xiàn)有平臺就更難以滿足其服務需求。

4.2展望

第一，在民國報紙縮微膠片數(shù)字化過程中，盡量克服人力和財力的困難，多與其他圖書館進行合作交流，做好邊建設邊梳理的工作，將每種報紙的變化信息理清。

第二，民國報紙縮微膠片本身的問題已幾乎無法挽回，為了提高文字識別的準確率，可與市面上有經(jīng)驗且技術成熟的數(shù)字加工公司合作，來獲得更高品質(zhì)的數(shù)據(jù)。

第三，著眼于未來，全面考慮民國報紙可能的整合方式和展現(xiàn)方式，選用最先進的技術，開發(fā)能夠?qū)崿F(xiàn)滿足民國報紙各種展示方式和檢索方式的發(fā)布平臺。

民國報紙具有較高的文物價值、資料價值和藝術價值。數(shù)字化后，兼具數(shù)字化媒介和紙質(zhì)報紙的優(yōu)勢，可按多維度進行檢索并方便在網(wǎng)絡上展示。國家圖書館民國報紙數(shù)字化工作是該領域一項很好的嘗試，通過實踐來獲得民國報紙數(shù)字化和發(fā)布的最佳方式方法，希望有更多的圖書館可以開展此項工作，及時將館藏民國報紙通過網(wǎng)絡為廣大讀者提供服務。

參考文獻：

[1]謝雷.圖書館民國文獻保護探析[J].圖書館建設，2012 （8）：13-17.

[2]張煒.報紙的保存與保護：縮微化與數(shù)字化探究[J].圖書館建設，2007（2）：37-40.

[3]李建莊.報紙縮微復制的七個程序[J].河南圖書館學刊，1988（3）：36-37.

[4]趙琛.民國報紙廣告[J].中國廣告，2005（4）：65-69.

肖紅女，1982年生。碩士，館員。研究方向：文獻數(shù)字化方式方法。

吳茗女，1975年生。碩士，館員。研究方向：數(shù)字資源發(fā)布與使用。

曾燕女，1962年生。本科學歷，副研究館員。研究方向：數(shù)字資源驗收與檢查。

收稿日期：（2015-05-11；責編：徐向東。）