一种适合大批量期刊元数据自动化提取的程序设计

■冯 民 毛善锋

1）河北科技大学学报编辑部，河北石家庄市裕华东路70号 050018

2）《东南大学学报（自然科学版）》编辑部，南京市四牌楼2号 210096

当前，有关科技期刊元数据提取方面的研究已有一些研究成果［1_6］，相关技术和产品也已较为成熟。例如，文献［1］提供一种为提取DOI数据而在排版模板中预置标签的方法，这种方法相对来说提取的元数据结果最准确，只是要求相关人员对排版软件有一定的了解。文献［2］提出利用VB读取方正排版文件以提取元数据，但技术相对复杂。文献［3］提出在程序中预置两个刊物的定位标签，使用Excel VBA从方正fbd小样文件中提取元数据，其要求人工先选择一些符号，预置为定位标签。

本文提出了一种用Excel VBA进行期刊元数据自动提取的程序设计，理论上可实现任意数量期刊元数据的提取。程序的创新之处在于无需预置定位标签，而是在元数据提取程序运行过程中，在人工辅助下，由程序根据预置规则自动确定定位标签。本文的研究适用对象是单刊或期刊集团、集群，期望为批量期刊元数据的提取提供一种减轻人工劳动、提高数据采集效率的新思路。

1　程序整体架构设计

本文的思路是，利用Excel打开fbd等类型的文件后，所有的数据都按顺序处于第1列单元格内（有时个别数据在第2列）［3］，根据不同的元数据前后有不同的“〖”、“〗”、“［”、“］”等符号对及特殊文字，由程序采集，作为定位标签使用，然后程序根据定位标签进行元数据的定位和提取。最后，将提取的数据进行处理，提供数据下载功能。

期刊元数据的提取程序流程如图1所示，其各步骤的功能介绍如下。

图1　数据提取流程图

Step1：获得期刊名。程序开始后，首先弹出用户窗体（见图2），各部分实现的功能如下。

图2　用户窗体

a）下拉列表。用户窗体的初始化程序自动从“期刊名录.txt”文件中提取期刊名，赋值到下拉列表中。点击下拉列表中的刊名，则会出现在列表框中；直接在列表框中输入刊名亦可。容错机制：若打开“期刊名录.txt”出错，则先建立文件，此时列表会显示为空。

b）确定。对应图1中的“选择期刊”。点击后程序会将在列表框所获取的期刊名与“期刊名录”中的期刊名逐一进行对比，若已有此期刊则置isNewJournal为False；若 “期刊名录”中没有，则置isNewJournal为“True”。若没有选择期刊而点击“确定”，则程序提示“还未选择期刊”。

c）取消。对应图1中的“取消”。弹出“警告”对话框，提示已取消操作，并终止程序。

d）新增。对应图1中的“新增期刊”。点击“新增”后，弹出输入对话框，提示输入刊物名称。若输入为空时点击确定或点击取消则返回到用户窗体；若输入的内容经比对是新增刊名，则在“期刊名录.txt”中增加期刊名称，并置 isNewJournal为“True”；若“期刊名录”中已有此刊名，则弹出对话框，提示是否重新确定定位标签，选择是则置isNewJournal为“True”，但不存入期刊名录，选择否则置isNewJournal为False。可将“期刊名录”中的期刊名和新增期刊名在Excel表中排序，然后再写入，这样显示在用户窗体的下拉列表中的期刊名就是按序排列的了。

Step2：载入fbd数据。利用“打开”对话框获得fbd文件名及路径，用Excel打开、载入fbd数据。

Step3：确定定位标签。由人工辅助点击元数据所在的单元格，程序就会自动确定定位标签，并存入一个以期刊名命名的纯文本文件中，如河北科技大学学报.txt。

Step4：读取定位标签。根据从用户窗体所获得的期刊名，从当前路径下对应的txt文件中读取定位标签。若打开出错，则转到Step3。

Step5：提取、处理元数据。进行元数据的提取和处理。

Step6：下载数据。在数据提取完毕后，对数据进行处理，满足诸如勤云采编系统所需的Excel数据表，或者COAJ所需的Excel数据表等的下载，再者，可考虑增加不同格式的下载功能。

以上流程中，所涉及的编程技术已较为成熟，这方面本文不再赘述。因为Step3是由程序确定定位标签，其准确与否直接关系到元数据提取的正确性，是编程的关键点和难点，故下文只阐述由程序确定定位标签这方面的内容。

2　程序确定定位标签的设计

2.1　原理分析

本文认为，定位标签的提取类似于元数据的提取，即定位标签只不过是一种特殊的数据，故而可以在用户的辅助下，由程序依据一定的规则采集。

观察可见，多数期刊中各篇论文的格式、体例至少在一期中是基本一致的，即各篇论文的相同项元数据的定位标签是基本相同的，这就为程序确定定位标签提供了条件。由载入Excel中的方正fbd小样文件可知，几乎每一项元数据的开始和末尾都有一些标志性的、与正文内容没有重合的符号，有的元数据前还有特殊的文字字符，如“摘要”“关键词”等，故定位标签的确定主要是程序对这些特殊文字和“〖”、“〗”以及“［”、“］”符号的判断和提取。

2.2　程序设计

2.2.1　设计思路

自动化采集定位标签的程序设计说明如下。

（1）尽量全面的考虑元数据项目

将这些元数据以及某些特殊数据（如“首页页眉”）的中文名称赋值给一个一维数组，如

示例中有21个数据，这些数据项目可根据需要增减、调整。

（2）循环采集定位标签

按上述一维数组的下标顺序，由程序弹出对话框（见图3），提示用户点击某个元数据（如题名）所在的单元格，用户可根据具体情况选择是、否、取消，对应的后续处理程序分别是采集定位标签、再等3秒以待选中单元格和取消此项数据的采集；循环上述步骤，即可采集所有元数据的定位标签。程序在采集定位标签的同时，还采集定位标签所在的行号，以便按元数据实际出现的顺序排序，最后可将排序后的定位标签写入以期刊名命名的txt文件。

图3　程序提示、人工点击单元格示例

说明：1）为了准确切分稿件，首页页眉需与其他页眉不同。2）定位标签排序后存储的目的是按顺序定位、采集元数据。不同的期刊其定位标签出现的顺序可能不同，但都是按照先后出现的顺序存储的。

图4显示的是《河北科技大学学报》的定位标签。因为是txt文件，故可以复制、移动，另外，也可以在必要时编辑txt文件里的定位标签。

图4　定位标签示例

2.2.2　定位标签采集过程中的关键子程序

（1）在采集定位标签的循环过程中，一个重要的子程序是要确定用户已选中单元格，这是程序采集定位标签的前提，其主要程序语句如下。

（2）另一个重要的子程序是在用户选中单元格后，程序如何自动确定定位标签。对于元数据前有特殊字符作为先导的，如前面有“文章编号”“doi”，“摘要”等，依靠特殊字符进行定位标签的提取；对于无特殊字符作为先导的，如“题名”“作者姓名”“单位”等，则进行另外的统一设计。限于篇幅，本文只给出“统一设计”部分的程序以供参考。

3　结语

本文提出了利用Excel VBA在程序运行过程中确定元数据的定位标签继而采集元数据的思路，一般只需在首次提取某个刊物元数据时进行定位标签的采集，其后不必重复采集。这种方式可在较大程度上降低对人员的技术要求，减轻人工劳动，实现批量期刊自动化数据提取。对几种刊物的初步测试表明，该方法能较准确地采集定位标签，较好地实现元数据的提取，证明这种方法有一定的可行性。此种方法理论上可满足任意数量期刊元数据提取的需要。

本文不足之处是，针对首页页眉与其他页眉相同、排版较为特殊（如题名、作者姓名、单位等在同一个单元格内）、个别元数据定位标签与其他不同（如某篇文章题名的定位标签与其他篇的不同）等等情况还不能进行有效的数据提取。今后，除针对上述问题进行深入研究外，还需对更多期刊进行测试，以发现问题、改进程序。

［1］毛善锋，田杰，张莞.预置XML标签 定制DOI元数据［J］.科技与出版，2009（11）：14_16.

［2］杨海亮，徐用吉.利用 VB读取方正排版文件提取元数据［J］.中国科技期刊研究，2015，26（6）：612_617.

［3］冯民，高绍强.用excel宏程序提取fbd期刊数据的简易编程［J］.中国科技期刊研究，2015，26（9）：969_974.

［4］李朝光，张铭，邓志鸿，等.论文元数据信息的自动抽取［J］.计算机工程与应用，2002（21）：189_191.

［5］狄涤，周竞扬，潘金贵.基于规则的 HTML文档元数据提取［J］.计算机工程，2004，30（9）：85_86.

［6］郭志鑫.基于本体的文档引文元数据信息抽取［J］.微计算机信息，2006，22（18）：304_306.