淺談XML語(yǔ)言在檔案管理中的應(yīng)用

王 瑜

（中國(guó)電建集團(tuán)北京勘測(cè)設(shè)計(jì)研究院有限公司，北京 100024）

XML 語(yǔ)言誕生于1998年，其設(shè)計(jì)的最初目的是實(shí)現(xiàn)EDI（Electronic Date Interchange電子數(shù)據(jù)交換），為電子數(shù)據(jù)交換提供一個(gè)統(tǒng)一的標(biāo)準(zhǔn)數(shù)據(jù)格式。XML語(yǔ)言是一種用于描述數(shù)據(jù)的標(biāo)記語(yǔ)言，它不提供固定的標(biāo)記，而是允許用戶自定義數(shù)量不限的標(biāo)記來描述數(shù)據(jù)，且允許使用嵌套的信息架構(gòu)，是一種良好的直接處理數(shù)據(jù)的通用方法。XML具有良好的可讀性、可維護(hù)性，便于信息檢索，便于信息的長(zhǎng)期保存，可以輕松的跨平臺(tái)應(yīng)用，符合《DA/T 47-2009板式電子文件長(zhǎng)期保存格式需求》中格式開放、不綁定軟硬件的要求，這也是它被廣泛應(yīng)用在檔案管理中的原因。國(guó)家檔案局發(fā)布的行業(yè)標(biāo)準(zhǔn)《DT/ 48-2009基于XML的電子文件封裝規(guī)范》就基于XML語(yǔ)言對(duì)檔案元數(shù)據(jù)的數(shù)據(jù)格式進(jìn)行了約定。

1 XML語(yǔ)言在檔案管理中存在的問題

1.1 XML格式復(fù)雜

就XML本身特點(diǎn)而言，XML文件龐大，文件格式復(fù)雜，傳輸帶寬。服務(wù)器和客戶端都需要花費(fèi)大量代碼來解析XML，XML的解析需要考慮父節(jié)點(diǎn)和子節(jié)點(diǎn)，讓人頭暈眼花，導(dǎo)致服務(wù)器和客戶代碼變得異常復(fù)雜且不易維護(hù)。客戶端不同瀏覽器之間解析XML的方式不一致需要重復(fù)編寫很多代碼，客戶端和服務(wù)解析XML花費(fèi)較多的資源和時(shí)間。

1.2 著錄時(shí)仍需人工完成

XML數(shù)據(jù)著錄時(shí)仍然需要人工完成，著錄完畢將經(jīng)歷多次自動(dòng)查驗(yàn)，但所查驗(yàn)內(nèi)容多是對(duì)檔案的真實(shí)性、可靠性、可用性和安全性進(jìn)行校驗(yàn)，對(duì)于著錄中的錯(cuò)別字或錄入順序顛倒等問題無法查驗(yàn)，接收進(jìn)檔案系統(tǒng)的XML數(shù)據(jù)在后期整編審核過程中存在錯(cuò)誤，主要是由于著錄人員信息內(nèi)容錯(cuò)誤，或?qū)⑿畔⑻铄e(cuò)位置。XML數(shù)據(jù)雖然后續(xù)經(jīng)過多次人工檢驗(yàn)，但在后期工作仍會(huì)在不同的階段發(fā)現(xiàn)問題。因此前期著錄過程的準(zhǔn)確率至關(guān)重要。

2 改進(jìn)建議

2.1 技術(shù)需要改善

首先是要規(guī)范XML格式書寫，讓代碼描述自己，保證恰當(dāng)縮進(jìn)，讓代碼更加容易理解。增加注釋，注釋做到簡(jiǎn)單直接，同時(shí)避免不必要的注釋。其次是按照實(shí)際需求，選擇適合的解析方式，XML常用解析方式有四種，分別是DOM（Document Object Model）解析、SAX（Simple API for XML）解析、DOM4J（Document Object Model for Java）解析和JDOM（Java-based Document Object Model）解析。各種解析器各有優(yōu)缺點(diǎn)，DOM的優(yōu)點(diǎn)是允許應(yīng)用程序?qū)?shù)據(jù)和結(jié)構(gòu)做出更改，可以在任何時(shí)候在樹中上下導(dǎo)航，獲取和操作任意部分的數(shù)據(jù)。缺點(diǎn)是需要加載整個(gè)XML文檔來構(gòu)造層次結(jié)構(gòu)，消耗資源大。SAX的優(yōu)點(diǎn)是不需要等待所有數(shù)據(jù)都被處理，分析就能立即開始、只在讀取數(shù)據(jù)時(shí)檢查數(shù)據(jù)，不需要保存在內(nèi)存中、可以在某個(gè)條件得到滿足時(shí)停止解析，不必解析整個(gè)文檔、效率和性能較高，能解析大于系統(tǒng)內(nèi)存的文檔。缺點(diǎn)是需要應(yīng)用程序自己負(fù)責(zé)TAG的處理邏輯（例如維護(hù)父/子關(guān)系等），使用麻煩、單向?qū)Ш剑茈y同時(shí)訪問同一文檔的不同部分?jǐn)?shù)據(jù)。DOM4J的優(yōu)點(diǎn)是大量使用了Java集合類，方便Java開發(fā)人員，同時(shí)提供一些提高性能的替代方法，并且有很好的性能，缺點(diǎn)是大量使用了接口，API較為復(fù)雜。JDON的優(yōu)點(diǎn)是使用具體類而不是接口，簡(jiǎn)化了DOM的API，缺點(diǎn)是沒有教較好的靈活性。開發(fā)人員可以根據(jù)檔案系統(tǒng)的實(shí)際情況去選擇適合的解析方法。

2.2 著錄時(shí)的改善

目前OCR圖像文字識(shí)別、語(yǔ)音識(shí)別、職能檢索等功能均比較適合輔助前期的著錄工作，這些如果能與著錄軟件結(jié)合會(huì)大幅提高XML數(shù)據(jù)庫(kù)的準(zhǔn)確率，這樣不僅可以篩查格式問題，還可自動(dòng)糾錯(cuò)出人工著錄過程中存在的常識(shí)問題，如錯(cuò)別字、著錄順序顛倒、信息填錯(cuò)位置等問題。如能在前期著錄過程中提高準(zhǔn)確率，在進(jìn)入檔案室后的一系列人工核查中進(jìn)行查漏補(bǔ)缺，會(huì)使得檔案著錄數(shù)據(jù)更加準(zhǔn)確。

目前很多部門在辦事過程中已經(jīng)直接形成電子文件，所以在移交檔案時(shí)要將電子文件打印成紙質(zhì)文件再向檔案館移交。如能在前期從各部門的各種業(yè)務(wù)系統(tǒng)中抓取數(shù)據(jù)與著錄系統(tǒng)導(dǎo)出的XML數(shù)據(jù)相結(jié)合，會(huì)緩解后期加工制作的壓力，大幅度地縮減加工周期，抓取的信息相對(duì)數(shù)字化掃描成果更加清晰易讀取，可以在最短的時(shí)間內(nèi)對(duì)外提供檔案利用服務(wù)。同時(shí)各部門形成的電子文件為原生的電子文件，更符合檔案接收標(biāo)準(zhǔn)。

3 結(jié)束語(yǔ)

當(dāng)今的時(shí)代是一個(gè)信息爆炸的時(shí)代，互聯(lián)網(wǎng)技術(shù)風(fēng)云千檣，每一種技術(shù)都有可能給我們現(xiàn)有的管理模式帶來新的成長(zhǎng)。XML不過是互聯(lián)網(wǎng)技術(shù)千萬應(yīng)用的一個(gè)小創(chuàng)新而已，希望它可以在曠日積晷的歷史長(zhǎng)河中閃爍微光，幫助我們更好的管理檔案。