淺談數字出版資源的結構化

張國強沈 菁

淺談數字出版資源的結構化

張國強1）沈 菁2）

從數字出版的特征來講，它必須有數字化出版資源作為基礎條件。但是，用二進制數字編碼記錄、儲存的出版資源，并非就是數字化出版資源，而只能說是數字形態出版資源。兩者在數據組織方式、外部特征和形成的數字出版產品方面均有所不同。數字形態出版資源只有經過結構化處理才能形成數字化出版資源，結構化處理通常有“前結構化”“中結構化”和“后結構化”三種途徑。比較而言，“中結構化”是現階段一種較為理想的數字出版資源結構化的方法，其最大的特點是效率較高、成本相對較低、對編輯流程影響甚小。

數字化出版資源；數字形態出版資源；結構化處理

一、數字出版、數字—模擬出版和亞數字出版

數字出版是利用數字技術進行內容編輯加工，并通過網絡傳播數字內容產品的一種出版方式。它的基本特征是內容生產數字化、管理過程數字化、產品形態數字化和傳播渠道網絡化。其中的“管理過程數字化”不具有行業特點，目前已經見于各個行業的企事業單位和管理機關。另三個“化”則富有出版行業的特點。“內容生產數字化”和“產品形態數字化”，就意味著數字出版中精神文化內容的生產都是以數字化方式實現的，所提供給消費者的產品也只是可以解碼還原成各種信息內容的編碼數字，而不附加其他物質載體；“傳播渠道網絡化”，則表明數字出版產品僅僅通過信息網絡就可傳播，而不須利用任何交通運輸工具。此外，數字出版還具有復制后置化、信息交互化、版本更新便捷、發行快捷化等附加特點。

可見，數字出版應該從編輯、復制、發行的出版活動全過程到最終產品的形態都全部實現數字化。有些出版活動僅僅部分應用了數字化技術，就不屬于數字出版，只能視為具有數字化因素的出版活動。

譬如，利用數字化技術排版、印刷紙質出版物的出版活動，只能姑且稱為“數字—模擬出版”。因為利用電子排版文件制作印版后印刷，實際上就是一種模擬方式；即使是數字印刷，雖然沒有實體的印版，但也是要把編碼數字先解碼還原為相應的圖文信息儲存在具有類似印版作用的成像載體上，再把這些圖文信息模擬重現在承印物上。更加重要的是，紙質出版物的產品形態并非數字化的，還停留在模擬狀態，而且其傳播必須借助交通運輸工具。

再如，生產存儲有電子書的手持閱讀器或者載有各種作品（如文字作品、攝影作品、美術作品、圖形作品、計算機軟件、音頻節目、視頻節目等）的只讀光盤、優盤、集成電路卡（IC卡）等的出版活動，雖然已經實現內容生產數字化，也難以歸入真正的數字出版，姑且可稱為“亞數字出版”。這是因為：其一，這類出版物產品都要隨同特定的固定物理載體提供給消費者，沒有實現產品形態數字化；其二，這類產品都需要在批量復制以后才開始發行，沒有實現復制后置化；其三，這類產品都必須借助交通工具進行實體運輸才能流通，沒有實現傳播渠道網絡化；其四，其中有些產品雖具有信息交互功能，但僅限于消費者與產品之間，出版者對消費者在購買、使用產品過程中的個性特點基本上是一無所知。當然，無論是數字—模擬出版，還是數字出版、亞數字出版，都需要以二進制數字記錄、儲存的出版資源，而后兩者更是將此作為必備的基本條件。

二、出版資源數字化

廣義的出版資源，是指出版物產品形成過程中必須加以開發、利用的各種社會資源，包括人才資源、物質資源和信息資源。狹義的出版資源，則是指信息資源中可以轉化成為出版物內容的精神文化成果資源，也稱“出版內容資源”，其主要特點在于不會像物質資源那樣在生產過程中被消耗后就不再保留原有的使用價值，而是會轉移到出版物產品中形成新的出版資源，并通過后續的開發、利用而不斷擴大和增加使用價值。本文中的“出版資源”都是就其狹義而言的。

出版資源的記錄、存儲，在很長歷史時期內是采用模擬方法，即用人類視覺可以直接感知的各種符號把內容信息記錄在甲骨、石頭、金屬、絲織品、竹簡、木牘、紙張、塑料等載體上，或者利用電—磁之間的物理關系把圖、文、聲、像信息轉化為磁信號記錄在鐵磁體載體上，或者利用電—磁—機械振動之間的物理關系把聲音信號轉換成機械振動軌跡固化在塑料上。

隨著計算機信息技術的飛速發展，出現了數字化方式，即借助計算機或其他相應電子設備把各種內容信息按照特定的編碼規則轉化為二進制數字信號后記錄、儲存在磁、光、電等介質上，使用時再利用一定的電子設備將經過編碼的數字信號進行解碼，形成人類感官能夠感知的信號。這種將出版資源以二進制數字信號記錄、儲存的過程，就是“出版資源數字化”。

以模擬方式記錄、存儲的出版資源，每使用一次都會有一定的損耗，所以會逐漸失真、報廢。以數字化方式記錄、存儲的內容信息，除非載體或者解碼設備損壞導致無法使用，數字信號本身在使用過程中不會有損耗，始終保持“嶄新狀態”。所以，數字化方式明顯優于模擬方式。

三、數字形態出版資源和數字化出版資源

出版資源數字化的一般結果是形成“數字形態出版資源”。這類出版資源種類多樣，從目前我國出版界的現狀而言，它們的類型按其來源主要有如下一些：一是作者電子原稿。這是作者利用計算機等電子設備直接記錄并儲存的智力創作成果數字文件，其格式通常為Word或純文本。二是計算機排版文檔。這是由各種計算機排版軟件形成的數字文件，如方正“書版”的FBD小樣文件、PS大樣文件，InDesign 的Indd 文件，等等，以及據此轉換的CEB文件、PDF文件等。三是頁面掃描圖像文件。這是把已出版的紙質出版物逐頁掃描后形成的數字文件，一般采取TIFF、JPEG、GIF、PNG、BMP等格式。四是光電掃描識別文檔。這是將已有紙質出版物逐頁掃描后得到的圖像文件進一步利用光學字符識別（Optical Character Recognition—OCR）技術處理的數字文件，一般為純文本。

雖然這些文件從出版的角度看，都是為出版工作服務的出版資源，而從信息特征這一角度來看，又都是數字形態的，但是，從數字出版的角度來講，它們都還只是“數字形態出版資源”，而不是“數字化出版資源”。

“數字化出版資源”是指以二進制數字方式記錄、儲存并在數據組織結構上符合數字出版技術要求的內容信息，亦即可以直接供數字出版工作選擇、組配使用的出版資源，如各種數據庫文件，已經用XML（Extensible Markup Language，可擴展標記語言）作過標引的XML文件等。

數字形態出版資源與數字化出版資源的差別主要在于：第一，數據組織方式不同。前者是線性的，即信息的接受順序與其存儲的位置有關；后者是結構化的，信息存儲的位置與接受信息的先后順序無關。第二，外部表現特征不同。前者是被污染的，如Word文檔，排版文檔中有很多版面描述信息；后者則是干凈的，除了精神文化內容本身外，沒有其他無關的信息。第三，應用方向不同。前者可以用于數字—模擬出版、亞數字出版，而在數字出版中使用有限，一般僅可制作成以線性方式閱讀的電子書刊或音頻、視頻產品，難以把多種媒體融合在一起，且有的還不能自如適應用戶終端的特性（如PDF格式、CEB格式的電子書在手機和尺寸較小的平板電腦上使用都很不方便）；后者可以作為各類數字出版產品的內容資源并順利實現多種媒體融合，用其制作的數字出版產品能夠很方便地適應各種用戶終端的特性，同時還可以十分便捷地用于數字—模擬出版、亞數字出版，實現按需出版、全媒體出版等。

不過，雖然數字化出版資源有別于數字形態出版資源，但是兩者之間并不存在不可逾越的“鴻溝”。因為兩者都是用二進制數字信號記錄、存儲信息內容，所以，對數字形態出版資源進行結構化加工、處理（對頁面掃描圖像文件應在結構化加工前先進行OCR識別處理）后，就可以使之轉化成為數字化出版資源。

四、出版資源結構化的途徑

從目前的技術來看，根據相關技術運用的時間先后，出版單位實施數字出版資源結構化的途徑大致有三種。第一，“前結構化”。這是對作者原稿進行結構化加工，即在內容創作、編輯的同時進行結構化標引，形成結構化文件。第二，“中結構化”。這是將結構化加工與排版過程相結合，即將內容結構化標記與排版指令合并輸入同一文檔，排版結束時既可導出結構化文件，也可導出排版文檔。第三，“后結構化”，也稱“反解”。這是對既有電子排版文件或者光電掃描識別文檔專門進行結構標引加工，形成結構化文件。這三種途徑各有特點，其應用的背景條件和所需的人力投入都有所不同。

“前結構化”需要有數字復合出版系統支持，才能高效地得到優質的結構化出版資源。目前，國外已有的數字復合出版系統（又稱“雙軌出版系統”）兼具版面輸出功能和結構化資源輸出功能，其特點是在用XML編寫數字出版處理軟件時，以XSL（Extensible Stylesheet Language，可擴展樣式表語言）設計一個顯示/輸出軟件，可以將XML處理的結果進行排版、印刷，最終同一文件可產生結構化數字文件和印刷排版文件兩種文件。這顯然是非常理想的。但是，數字復合出版系統目前存在一個很大的問題，就是對原有的創作、編輯加工流程干擾太大。作者或編輯在處理內容時還要兼顧內容的結構化標引工作，不但會被干擾分心和增加工作量，而且內容結構化標引的本身有一定的技術要求，作者、編輯如果不下一定的功夫學習、操練，一時難以掌握。我國目前還未見十分成熟的數字復合出版系統。況且，即使系統開發成功，正式投入使用前還涉及對作者、編輯的訓練及編輯加工流程的變革。這些都需要假以時日。所以，在我國出版業實施數字化轉型發展的當前階段，前結構化還只是一種前瞻性的出版資源結構化途徑，期望未來能夠真正實現。

“后結構化”是對既往數據進行反解。采用這種結構化途徑，無論是基于電子排版文件，還是利用光電掃描識別文檔，都僅僅是節省了把內容信息輸入計算機的人力，而實際上存在許多重復勞動，因為這是將原本已經合在一起的內容重新按照內容層級拆分開來，還要把原來存在的與出版物內容無關的版式信息和樣式信息（如排版指令，頁眉、頁腳文字，頁碼及裝飾性圖片等）予以剔除。初步處理完畢的純文本文件才能借助工具軟件進行結構標引加工，并且對標引結果必須進行人工復核、修改。況且，對光電掃描識別文件還必須進行人機結合式的校對。可見，這種結構化途徑的效率較低，通常只適用于對歷史上形成的出版資源進行結構化加工，它在當前的出版業數字化轉型發展中暫時有存在的必要，但是不應該作為出版資源結構化的主流。

“中結構化”即“結構化排版”。它既可避免“前結構化”因創作環境、編輯加工流程的變化而給作者、編輯人員帶來的不便，也可避免陷于“后結構化”的“排版—反解—校對”的被動應對的困境。從理論上來講，“中結構化”具備效率較高、成本相對較低、對編輯加工流程影響甚小等顯著特點，可說是我國現階段一種較為理想的出版資源結構化途徑，可滿足新產生的出版資源實現結構化的需要。

五、中結構化的基本方法

中結構化的實質，就是實現內容結構化標引與排版指令輸入合一的“結構化排版”，以解決長期以來困擾出版界的排版文檔不能直接用于數字出版的難題。這種方法大致上包括這樣幾個流程環節。

第一，制定標引規范。分析研究各種出版物的結構構成狀況并分成若干類型，再依據XML文檔編寫規范規定對各種結構成分的標引方式，統一自定義標記形式或標引用語。

第二，排版兼標引。對稿件內容排版時同步進行內容結構標引。如采用方正書版排版軟件組版時，可將排版指令與結構化標記結合輸入，以減少后期處理的繁雜工作和重復勞動，形成統一的基礎數字化文檔。若還需對知識點作標引，可預留“知識點標記”，留待編輯添加關鍵詞。

第三，出校樣復核。打印出校樣，進行初校和二校，既校對書刊內容、形式，還檢查結構化標記的正誤、衍缺。如果需要對知識點予以標引，由編輯人員在預留的“知識點標記”中補充填入關鍵詞和對知識點標記的位置進行增刪調整。

第四，改樣并復核。由排版單位依據校樣標注進行修改，并對再次打出的校樣進行三校，消滅改樣操作的失誤之處。本環節根據校改質量狀況可重復進行若干次，直到數字文檔完全正確無誤。

第五，分別導出文件。利用工具軟件對已經確認無誤的數字文件進行處理：按統一規則將自定義標記轉換成為符合規范的標引語句后，導出為剝離了各種排版指令的XML格式的內容結構化文件，用于存檔及復合利用；保留排版指令而剔除各種結構化標記和知識點標記后，導出為排版文檔，用于印刷。

第六，通讀、整理付印樣。用排版文檔打印出付印樣，進行通讀和文字技術整理，防止剔除結構化標記、知識點標記后可能產生的版面錯誤。達到付印標準后，轉入制版、印訂等紙質出版物的一般生產程序。

第七，元數據標注。利用工具軟件從出版物內容中把有關元數據提取出來，以XML格式文件儲存后與相應的結構化文件整合，方便數據入庫及多重發布。

采用中結構化方法能夠獲得標準的XML格式文件，從而在出版資源的復用性，數據的結構性、完整性、可靠性、標準性、流通性及可追溯性方面，都能達到要求。這種方法不但適應我國社會文化消費現狀，而且十分符合當前我國出版行業的實際，能夠有效地提高出版資源的利用率，提高出版工作的效率和水平，促進整個出版行業的數字化轉型，帶動產業的整體發展。

[1] 國家新聞出版廣電總局出版專業資格考試辦公室.出版專業實務?初級 [M].武漢：崇文書局，2015.

[2] 國家新聞出版廣電總局出版專業資格考試辦公室.出版專業實務?中級 [M].北京：商務印書館，2015.

[3] 國家新聞出版廣電總局出版專業資格考試辦公室.出版專業基礎?中級 [M].北京：商務印書館，2015.

[4] 國家新聞出版廣電總局出版專業資格考試辦公室.數字出版基礎[M].北京：電子工業出版社，2015.

（作者單位：1）上海辭書出版社 2）上海出版印刷高等專科學校）