電子文件格式的可持續性風險評估

王揚揚 張照余/蘇州大學社會學院

文件格式是數字資源最重要的屬性，決定著數字資源的可用性。在電子文件管理的很多階段(如選擇、獲取、保存和訪問等) 都需要考慮文件格式問題[1]。文件格式可以形象地看成是一種“翻譯語言”，它將數字資源存于載體上的二進制代碼“翻譯”成用戶可識讀、理解的文件內容。同樣的文件內容，不同的“翻譯語言”（文件格式）轉換出的二進制代碼完全不同。檔案館面對的文件格式種類越多，面臨的可讀性風險越大。正確選擇文件格式，事關電子文件的安全保管。對電子文件格式的可持續性進行風險評估，有助于檔案館遴選出適合長期保存的文件格式。

1 國外典型的文件格式風險評估項目

1.1 互聯網長期保存項目

該項目由丹麥國家與大學圖書館和皇家圖書館合作開展，主要通過管控數字格式達到長期保存數字資源的目的，確保在50年或100年后仍可讀取和理解數字對象。2004年5月，兩家圖書館聯合發布《文件格式對策》（Handling File Formats）[2]報告。該報告針對檔案數字格式需求展開，指出適合長期保存的文件格式需要具有可讀性、原始外觀、要素完整、功能完備和保持操控性能等關鍵屬性。報告還重點闡述了評價文件格式未來可用性的幾個標準，包括開放性、可移植性、性能指標、退化程度等，并進一步指出了影響文件格式可持續性的重要因素，據此提出了電子文件長期保存的策略。

1.2 數字格式的可持續性分析

為實施數字館藏計劃，美國國會圖書館（Library of Congress）開展了有關數字格式可持續的研究項目，研究具體內容包括：數字文件格式的戰略規劃；具有長期可持續性的文件格式選擇；長期可持續性格式的維護策略；存在格式風險的文件管理對策及其內容保護[3]。該項目研究成果發布在《數字格式：可持續性、性能和質量因素》（Digital Formats: Factors for Sustainability， Functionality， and Quality）報告中，報告重點闡述了確定某種數字文件格式是否具有可持續性抑或存在風險的方法，指出影響館藏文件格式可持續性的因素分兩類：一類是影響所有數字格式可持續性的基本因素；另一類是針對某類數字資源質量或性能的特殊因素。前者包括開放性、采用程度、透明度、自描述、外部依賴關系、專利影響和技術保護機制，這些因素涉及所有類別的數字格式；后者主要針對靜止圖像、聲音、文本文件和視頻文件格式等類別。以靜止圖像格式為例，有關其質量或性能的特殊因素包括渲染能力、清晰度、色彩方案、排版以及是否支持圖形效果等。美國國會圖書館還通過其官方網站發布了具備（或不具備）長期可持續性的數字文件格式，并作出解釋說明。同時，還發布了保管這些格式資源的對策。

1.3 文件格式風險量化評估

荷蘭國家圖書館從電子文件長期保存這一目標出發，采取風險評估的方式對文件格式的可持續性進行研究，于2008年開發出可量化的文件格式風險評估方法[4]。該方法包含了衡量文件格式可持續性的7個指標，分別為開放性、采用性、復雜性、技術保護機制、自我解釋性、穩定性、依賴性，每一個指標下再分解出若干個可應用于所有文件格式的特性。所有指標和特性均被賦予分值，分配給每個指標的分值范圍是0—7、每個特性的分值范圍是0—2。對數字保存和長期利用構成威脅的特征值將被賦予低的分數值，而對數字保存和長期可用具有重要作用的特征值會獲得高分數值。將這種定量評估方法具體應用于某種格式，可以計算出該格式的總分，總分越高，格式越適合長期保存。當然，每種格式的評分會隨時間推移發生變化。

1.4 風險和優選格式模板

美國國家檔案與文件署（NARA）早年間接收了大量來自白宮、各聯邦機構、國會的永久性電子檔案。為化解風險，并對其原生電子檔案的格式狀況進行評判， NARA于2014年創建了一個量化的可用格式模板[5]。該模板用于評估移交至NARA的文件格式的適用性，包含37個評估項，這些評估項按照公開程度、采用程度/流行性、透明度、自描述、外部依賴性、許可和專利、使用加密/權限管理七大類排列，每個類別及其評估項的權重各不相同。與上述美國國會圖書館提供的數字格式可持續性分析項目相比，NARA的模板引入了權重概念，并且更具針對性，其評估指標中加入了該格式文件的進館時間、占館藏電子檔案總量的百分比、格式已流行年數、格式更新情況、格式轉換時的內在風險等指標。因此，NARA的模板已被編制檔案移交指南的團隊所采用，在NARA的移交指南中，所有擬進館永久保存的格式基于上述評估而被分別標注為“首選格式”或“可接受格式”。 而對所有已進館電子檔案，則根據評估狀況區分為2種高風險、26種中等風險和42種低風險格式。

1.5 數字連續性項目

英國國家檔案館開展的數字連續性項目旨在從可持續性的角度去評價文件格式[6]。該項目制定了評價文件格式的4個標準，即能力方面：業務需求得到滿足的程度；質量方面：信息存儲的準確程度，包括精確與損失程度；耐久性方面：時間對文件格式的影響程度，包括流行度、穩定性、可恢復性；靈活性方面：格式適應不斷變化環境的能力，包括互操作性（現有軟件可以訪問的格式種類）、可實現性（編寫軟件與格式交互的難易程度）。每個標準得分范圍在0—5之間，通過一個共同的測量尺度來評估、比較不同的格式。如，若需要評估4種電子文件格式，則制作一個分數在0—5的表格，再根據不同的子標準來評估文件格式，確定每個特性的分數，用子標準分數的平均值確定最后的分數，進行比較判斷。

以上都是從維護數字資源長久保存的角度出發，對電子檔案進行風險評價，但各個項目的評估角度、指標與深度有所不同。綜合來看，格式風險能夠得到量化將更有助于格式遷移工作的展開，降低電子文件長久保管的風險。

2 長期保存的電子文件格式風險評估指標

2.1 格式開放性

開放性指格式使用者可無障礙地獲取用于創建、維護和驗證該格式文件的工具、技術規范及說明性文檔。開放性包括以下要求：文件的編碼、壓縮、封裝方式等有明確的規范或標準；帶有開源的閱讀或創建工具；具有公開、完整的技術說明文檔。一種文件格式如果公開技術標準，并提供完整的技術說明文檔，意味著未來對該格式文件進行解讀或重新構建的技術途徑是暢通的。而如果能提供開源代碼的讀寫軟件，今后遷移、維護該格式文件的成本就要低很多。

2.2 格式采納程度

采納程度指該文件格式被接受使用的程度。被廣泛采用的格式淘汰的速度相對較慢，文件格式被廣泛采用主要表現有：存在許多可用產品用于以該格式的創建、操作或內容呈現；Web瀏覽器或市場領先的內容創建工具提供對該格式的支持；該格式在全球范圍被廣泛使用，該格式在遺產保護領域（檔案、文博、圖情等需要長期保管數字資源的行業）普遍認可。

2.3 格式自描述性

文件格式的“自我記錄”特征主要指文件中包含的描述性信息的多少，這些描述性信息構成“元數據”嵌于文件之中。說明文件屬性的描述性信息，可以是關于文件內容的，也可以是關于文件技術或背景信息的。所有文件格式都內嵌部分元數據，因此均有某種程度的自描述特征，但如果某種格式可以在創建過程中自動包含或借助外部工具人為嵌入更多描述性元數據，將來對其的理解就越到位。

2.4 格式穩定性

文件格式的穩定性體現在兩個方面：格式升級的頻度較低和升級后的格式相對之前版本變化較小。具有可持續性的文件格式對外部技術環境的變化有較好的適應性，或者說對技術環境的變化不太敏感。格式經常升級或版本間變化過大，兼容性差，將對文件的長期可用造成威脅。文件格式的穩定性要求該格式的設計具有一定的前瞻性，具有跨平臺性和良好的交互性。

2.5 格式外部依賴性

一個好的文件格式應該做到不依賴于特定的硬件、不依賴于特定的操作系統、不依賴于特定的軟件以及其他外部資源等。格式對某種特定環境或外部資源的高度依賴，會為數字文件的保存和長期訪問帶來風險。一旦難以重現其所依賴的特定環境，文件內容的讀取將變得復雜，甚至根本無法讀取。因此只有文件格式保持一定的獨立性，才不會處于被動境地，失去其可讀性。

2.6 格式技術保護機制

技術保護機制是指文件格式中攜帶有某寫技術措施來管控數字資源的使用和權限歸屬。常見的有密碼保護、復制打印保護、數字簽名和內容提取保護等。這些措施的設計雖然起到了維護形成者權利的效果，但卻有可能影響檔案機構對電子文件的有效管理和維護。事實上，為有效保存電子文件，檔案部門在必要時需要對文件進行格式遷移或規范化處理，如果某種格式的文件提供了技術保護機制，那么遷移轉換過程將無法實施。

2.7 格式版權和專利

格式的版權和專利將限制檔案機構保存文件內容的能力。雖然解碼某種格式的許可證無需太多成本，甚至是免費的，但專利的存在可能會減緩開源編碼、解碼器的開發。