收集原生电子档案应“图文并存”

程媛媛

档案局2012年以令的形式发布了《电子档案移交与接收办法》，根据媒体报道和笔者调研掌握的情况，各地电子档案收集的格式主要以图片格式为主，文本格式为辅。众所周知，图片格式的电子文件较文本格式虽更具有不可更改性，但因受自身格式的限制，只能通过题名进行检索，不能实现全文查询，这样就会影响电子档案的查全率和查准率，也与档案数字化的初衷大相径庭。而文本格式的电子文件虽然可以实现较为全面的全文检索，但其易于更改的属性又与电子档案管理保持原貌、保证安全的要求相违背。因此，多数档案部门往往从“确保原生电子公文的真实性、有效性、安全性”的角度出发，而“弃文从图”，要求“将原生电子公文以统一的数据格式（PDF格式）进行数据转换，实行集中管理”。笔者认为，做好原生电子档案的移交接收工作，必须注重规范其格式，应结合二者的优点，将收集到的“文”和“图”，形成双层PDF格式文件，使得两种单一的电子文件转化成“图文并茂”的形式，达到既能实现全文检索又能维持档案原貌的效果。

实践发现，如未同时收集文本电子文件而仅收集图片电子文件，制作双层PDF的方法虽然简单，但实际操作却较为繁琐。下面，我们介绍一种制作双层PDF格式电子文件的具体步骤：

1.扫描一页文档，命名为1.tif。

OCR识别软件，从图片中读取文件1.tif。

3.点击左上方菜单栏中的“识别”选项（图1）。

4.得到识别后的结果（图2）。左侧红色方框为扫描图片，右侧红色圆框为识别后文本。对文本进行校对、

修改后，点击左上方菜单栏中的“WORD”选项。得到WORD格式的文本文件，保存并命名为2.doc。                             5.使用WORD2007软件，打开2.doc。点击“插入”，选择“图片”选项，将1.tif 插入2.doc。

6.选择“格式”，点击“位置”、“其他布局”选项。选择“衬于文字下方”，确定。即得到初始的双层文件（图3）。此时文本与图片未一一对应，因此能看到两层。

7.将图片调整至标准页面大小，进行文字排版，使其与图片内容排版一致（图4）。注意：此项是制作的关键，调整应选择微调，确保“图”“文”上下一一对应。

8.选择“文件”中的“另存为”选项，再点击“PDF或XPS”格式（图5）。即得到双层PDF格式文件。

以上操作方法虽然步骤简便，但真正做起来却较为繁琐，尤其是第7项的“‘图‘文上下一一对应”。通过实践，笔者用一台

已使用5年的Avision AW6300扫描A4幅面1页dpi为200点的文件，仅需要6秒，但后期进行OCR转换、校对、图文对应排版等步骤却用了近3个小时，其工作量之大可见一斑。（当然，现在市场上有很多专业的双层PDF文件加工系统，使用起来会相对便捷。）

因此，笔者认为在接收电子档案时如果能够同时接收其“图”“文”两种格式，会给档案馆日后的工作带来巨大的便捷，接收电子文件格式的优先等级应为：“图”+“文”>“文”>“图”。

一、“图文并收”的注意事项

图文并收”即同时收集电子文件的“图”格式和“文”格式。需要注意的是，“文”格式应为定稿的文本格式（图6），“图”格式应为其对外公布文件的图片格式（图7），且两种格式的电子文件排版格式必须一一对应，可上下重叠，便于双层PDF的直接应用。

二、收集“文”格式的注意事项

收集“文”格式电子文件必须注意其易于更改的特点。下面，我们以WORD2007为例，介绍接收中便于保持电子文件原貌的具体步骤：

1.打开一个WORD文档1.doc。选择“审阅”、 “保护文档”选项（图8），再选择“限制格式和编辑”。

2.选择“仅允许在文档中进行此类编辑”和“不允许任何更改（只读）”后，点击“是，启动强制保护”（图9）。

3.输入密码，确定，存盘（图10）。

此时，文档已改为只读模式，可以避免误更改等现象发生。

三、收集“图”格式的注意事项

收集“图”格式电子文件的目的，一是直接用于利用，二是将“图”通过OCR转化成“文”后，通过“图文并存”，达到“图文并用”。但无论是哪一种用途，它都会受到扫描分辨率——DPI（每英寸的像素数）的影响。因此，在收集“图”格式时我们必须注意——OCR转换的正确率不以高分辨率做基础。

国家档案局在《纸质档案数字化技术规范》中指出“需要进行OCR汉字识别的档案，扫描分辨率建议选择≥200dpi”。部分档案部门在扫描电子档案时，往往要求扫描数据的高分辨率，个别有甚者竟然要求达到600dpi。这样做一是占用了过大的空间，二是扫描的“图”转化为“文”时，其识别率和正确率反而不是最佳。因此，笔者建议接收“图”文件时，必须根据具体情况对其DPI值进行规范，不求“最高”，只求“最佳”。

以下统计数据，是以Color Take 7730扫描仪为例，对同一段文本以不同的分辨率进行扫描，然后用蒙恬识别王1.60版本的OCR软件进行汉字识别所得到的。

通过上表，我们可以清楚看出，分辨率在50dpi～200dpi时，OCR的识别错误率呈递减趋势，但文件长度却翻倍扩大;分辨率≥200dpi后，识别错误率不稳定上升，但文件长度却以更高速度翻倍增长。“理想的OCR识别率和文件长度较小的扫描分辨率”是我们应该追求的目标。通过上述实验我们可以看出200dpi是这台机器的最佳分辨率。当然以上仅为个例，扫描分辨率还会受扫描仪新旧、功能设置、扫描对象情况等一系列具体因素影响。但可以明确的是，电子文件进行OCR转换时可以通过测试选择其最佳扫描分辨率，为“增量档案电子化”把好关口。

（作者单位：河南省焦作市档案局   来稿日期：2015-04-17）