張 瑋

（國家圖書館 北京 100081）

1 引言

民國報(bào)紙?zhí)N藏了豐富的時(shí)代信息，反映了民國時(shí)期的政治、經(jīng)濟(jì)、法律、文化、軍事、教育等方面的信息，具有很高的研究?jī)r(jià)值。但由于民國報(bào)紙紙張的酸度很高，目前民國報(bào)紙老化及損壞的程度極高，迫切需要一種新的存儲(chǔ)方式來拯救民國報(bào)紙，目前，各圖書館和出版社都積極采取不同的措施進(jìn)行民國報(bào)紙的拯救工作，比如各地高校圖書館依托豐富、珍稀、特色的民國報(bào)刊，對(duì)某一學(xué)科或某一專題有價(jià)值的信息建立民國時(shí)期報(bào)刊的特色數(shù)據(jù)庫、民國報(bào)刊專題數(shù)據(jù)庫、民國報(bào)刊商業(yè)數(shù)據(jù)庫等以供學(xué)者或商業(yè)使用[1]；四川大學(xué)圖書館從提高利用率的實(shí)際角度出發(fā)，根據(jù)讀者所查閱膠卷的頻次排名，對(duì)館藏民國四川報(bào)紙進(jìn)行篩選式地?cái)?shù)字化；此外，四川大學(xué)圖書館還自主研發(fā)了《新新新聞》共享平臺(tái)，基于前期的數(shù)據(jù)采集錄入，可支持公歷日期、民國日期、報(bào)紙主、副標(biāo)題等字段的高級(jí)檢索[2]；重慶圖書館自2012年3月開啟民國報(bào)紙數(shù)碼掃描工作，把民國報(bào)紙加工成方便讀者檢索查閱的PDF 格式的電子文檔進(jìn)行保存[3]。國家圖書館自2014年啟動(dòng)民國報(bào)紙縮微膠片數(shù)字化工作[4]，在掃描圖像的基礎(chǔ)上，對(duì)文章標(biāo)題進(jìn)行OCR 文字識(shí)別[5]，以方便讀者實(shí)現(xiàn)基于標(biāo)題檢索的精準(zhǔn)閱讀。隨著國家對(duì)民國文獻(xiàn)保護(hù)和利用的重視，各數(shù)字出版公司開發(fā)出一批資源豐富、檢索功能強(qiáng)大的民國文獻(xiàn)大型全文數(shù)據(jù)庫，但存在各文獻(xiàn)類型開發(fā)不均衡、缺少主題類型的數(shù)據(jù)庫等問題[6]。

民國報(bào)紙數(shù)字化已經(jīng)成為解決報(bào)紙問題的首要途徑，如何提高數(shù)字化的效率和質(zhì)量，肖紅從宏觀方面（報(bào)紙、版式、OCR）進(jìn)行數(shù)字化質(zhì)檢問題探析[7]，但該文對(duì)于質(zhì)檢細(xì)節(jié)沒有給出詳細(xì)分析和介紹。本文從親身實(shí)踐角度出發(fā)，以數(shù)字化驗(yàn)收流程為主線，列出國家圖書館在驗(yàn)收民國報(bào)紙數(shù)字化成品時(shí)發(fā)現(xiàn)的一些常見問題，并且分析這些問題產(chǎn)生的原因，提出有針對(duì)性的改進(jìn)措施和方法，希望能為業(yè)內(nèi)從事數(shù)字化驗(yàn)收工作的同仁提供借鑒參考。

2 國家圖書館民國報(bào)紙數(shù)字化驗(yàn)收常見問題的類型

民國報(bào)紙數(shù)字化成品通常包括元數(shù)據(jù)和對(duì)象數(shù)據(jù)，國家圖書館民國報(bào)紙數(shù)字化元數(shù)據(jù)采用的是MARC 格式著錄，主要記載民國報(bào)紙的文獻(xiàn)內(nèi)容特征、載體形態(tài)、記錄來源等信息。對(duì)象數(shù)據(jù)采用TIFF 作為存儲(chǔ)格式，JPG、雙層PDF 和XML 作為發(fā)布格式，是對(duì)民國報(bào)紙內(nèi)容的如實(shí)寫照。

民國報(bào)紙數(shù)字化驗(yàn)收主要完成對(duì)民國報(bào)紙?jiān)獢?shù)據(jù)及對(duì)象數(shù)據(jù)的復(fù)查。國家圖書館關(guān)于元數(shù)據(jù)及對(duì)象數(shù)據(jù)依據(jù)相關(guān)規(guī)范進(jìn)行驗(yàn)收，使用漢王開發(fā)的專業(yè)數(shù)字化驗(yàn)收軟件進(jìn)行驗(yàn)收。自2014年開啟民國報(bào)紙數(shù)字化項(xiàng)目以來，截至2018年10月底，國家圖書館已完成114 種約13 萬期、70 余萬版的民國報(bào)紙數(shù)字化加工驗(yàn)收工作。根據(jù)實(shí)際工作，筆者總結(jié)出國家圖書館民國報(bào)紙數(shù)字化驗(yàn)收時(shí)出現(xiàn)的常見問題，如圖1所示。

圖1 國家圖書館民國報(bào)紙數(shù)字化驗(yàn)收常見問題

2.1 民國報(bào)紙?jiān)獢?shù)據(jù)驗(yàn)收常見問題

從驗(yàn)收規(guī)范上看，民國報(bào)紙?jiān)獢?shù)據(jù)的驗(yàn)收，通常查驗(yàn)“記錄標(biāo)識(shí)”、“題名”、“出版日期”、“卷期”、“版次”、“版名”等標(biāo)簽的合法性，標(biāo)簽著錄內(nèi)容是否符合規(guī)則，如:出版日期必須是8 位有效數(shù)字、卷期只能是數(shù)字格式等。在實(shí)際工作中，筆者發(fā)現(xiàn)民國報(bào)紙?jiān)獢?shù)據(jù)驗(yàn)收常見問題包括:字符集非法、標(biāo)簽缺少或多余標(biāo)簽、標(biāo)簽著錄內(nèi)容不符合規(guī)則等。

（1）字符集非法。例如:圖2中標(biāo)簽“作者”為非法字符集，正確識(shí)別應(yīng)為“圖片作者”。

圖2 字符集非法

（2）標(biāo)簽缺少或多余標(biāo)簽。例如:圖3缺少標(biāo)簽“小標(biāo)題”及內(nèi)容。

圖3 標(biāo)簽缺失

（3）標(biāo)簽著錄內(nèi)容不符合規(guī)則。例如:圖4中版次備注:標(biāo)題殘缺。版次備注著錄版次的變更情況，沒有圖示著錄方式；圖5中“出版日期”:中華民國四十七年六月十五日，著錄錯(cuò)誤，著錄內(nèi)容只能是8 位有效數(shù)字；圖6中“出版日期”:19580631 不符合日期的記錄方式；圖7中“卷期”:五百四廿五，著錄錯(cuò)誤，著錄內(nèi)容只能是數(shù)字格式。

圖4 版次備注不合規(guī)則

圖5 出版日期不合規(guī)則

圖6 出版日期不合規(guī)則

圖7 卷期不合規(guī)則

2.2 民國報(bào)紙對(duì)象數(shù)據(jù)驗(yàn)收問題

從驗(yàn)收規(guī)范上看，民國報(bào)紙對(duì)象數(shù)據(jù)的驗(yàn)收，包括查驗(yàn)對(duì)象數(shù)據(jù)的圖像存儲(chǔ)文件夾和圖像文件命名是否正確、圖像是否清晰、亮度是否適中、圖像是否進(jìn)行了糾偏處理、圖像是否真實(shí)反映原件內(nèi)容，是否有缺版、錯(cuò)版、數(shù)據(jù)缺失等現(xiàn)象。除此之外，驗(yàn)收的關(guān)鍵點(diǎn)主要是xml 文件，主要查驗(yàn)xml 的各個(gè)標(biāo)簽是否符合加工規(guī)范、篇目是否置標(biāo)正確、篇目著錄內(nèi)容是否正確等。漢王開發(fā)的驗(yàn)收軟件能夠如實(shí)反映xml 的著錄信息。

我館加工的XML 文件（見圖8）涵蓋全面的報(bào)紙信息（常見問題如2.1 節(jié)介紹）、篇目位置坐標(biāo)以及篇目標(biāo)題信息等。對(duì)于篇目位置及篇目信息著錄的驗(yàn)收，可以借助驗(yàn)收軟件直觀地查找錯(cuò)誤，民國報(bào)紙對(duì)象數(shù)據(jù)驗(yàn)收過程中常見問題包括:欄目錯(cuò)誤、篇目錯(cuò)誤、圖片組錯(cuò)誤等。

圖8 民國報(bào)紙XML 文件

（1）欄目錯(cuò)誤

欄目通常是報(bào)紙、雜志等刊物中，依據(jù)文字內(nèi)容（即篇目）、圖片類型等進(jìn)行的統(tǒng)籌概述，如新聞、體育、娛樂、經(jīng)濟(jì)等；它統(tǒng)領(lǐng)的篇目或圖片都應(yīng)屬于同一欄目，且欄目不應(yīng)歸屬于某一篇篇目。

民國報(bào)紙數(shù)字化加工，應(yīng)該把某一欄目統(tǒng)籌下的所有篇目和圖片都標(biāo)注上欄目信息，且欄目不應(yīng)劃在任何一篇篇目中。常見問題包括:確定是否為欄目時(shí)出錯(cuò)、欄目的范圍劃錯(cuò)、欄目的字體識(shí)別錯(cuò)誤。

①欄目的確定性問題。例如:圖9置標(biāo)篇目的欄目有兩個(gè)，“新聞”、“國外之部”，而數(shù)字化加工的xml 文件欄目缺失，未著錄欄目，圖10 數(shù)字化加工的xml 文件欄目著錄錯(cuò)誤。

圖9 欄目缺失

圖10 欄目著錄錯(cuò)誤

②欄目的范圍劃錯(cuò)。例如:圖11 把欄目劃入篇目框是錯(cuò)誤的；圖12 大小欄目

順序錯(cuò)誤，統(tǒng)籌范圍大的欄目應(yīng)該寫在范圍小的欄目前面。

圖11 欄目誤入篇目

圖12 大小欄目順序錯(cuò)誤

③欄目的文字識(shí)別錯(cuò)誤。欄目的文字識(shí)別錯(cuò)誤通常包括:多字或少字、文字識(shí)別有誤（異體字、形近字、簡(jiǎn)繁字、未按原貌識(shí)別等）、多符號(hào)少符號(hào)等。例如:圖13，欄目的文字識(shí)別有誤。

圖13 欄目文字識(shí)別錯(cuò)誤

（2）篇目錯(cuò)誤

篇目是指某一欄目框架下關(guān)于某一議題的獨(dú)立的文字內(nèi)容，篇目包括標(biāo)題、作者、篇目?jī)?nèi)容、轉(zhuǎn)版信息、附圖。篇目置標(biāo)要求完整、準(zhǔn)確、美觀地把篇目相關(guān)信息都劃入。篇目標(biāo)題細(xì)分為引題、標(biāo)題、副題、小標(biāo)；我館按字號(hào)大小劃分引題、標(biāo)題、副題，字號(hào)最大者為標(biāo)題，標(biāo)題前為引題，標(biāo)題后為副題，篇目?jī)?nèi)容中出現(xiàn)的標(biāo)題為小標(biāo)。篇目作者，要求去掉作者的屬性，比如國籍、辦公地點(diǎn)等，且不做集體作者，但關(guān)于多個(gè)作者的著錄方式要標(biāo)清。篇目轉(zhuǎn)版是指由于版面等原因，當(dāng)前篇目登載不完整，轉(zhuǎn)載至其他版面，要求篇目識(shí)別時(shí)附加轉(zhuǎn)版信息，從而完整記錄當(dāng)前篇目。篇目附圖指當(dāng)前篇目中涉及到的圖片、表格等形式，以附加圖片的形式進(jìn)行展示，附圖屬于篇目的一部分。

篇目的錯(cuò)誤通常分為:篇目置標(biāo)或范圍確定的錯(cuò)誤、篇目框線不美觀、標(biāo)題的確定性錯(cuò)誤及標(biāo)題框線不美觀、作者的確定性錯(cuò)誤及字體識(shí)別錯(cuò)誤、轉(zhuǎn)版錯(cuò)誤、附圖錯(cuò)誤，具體如下。

①篇目置標(biāo)錯(cuò)誤。

A.篇目?jī)?nèi)容缺失或多余。例如:圖14，篇目?jī)?nèi)容缺失“第七章 司法”的部分。

圖14 篇目?jī)?nèi)容缺失

B.篇目嵌套問題

篇目嵌套，即一個(gè)篇目在另一個(gè)篇目的內(nèi)容坐標(biāo)里，需要在大篇目下增加標(biāo)簽“內(nèi)截坐標(biāo)”，以表示大篇目里還有一個(gè)獨(dú)立的小篇目，大小篇目分開識(shí)別。例如:圖15 小篇目:“算命者”嵌套在大篇目下，大篇目沒有做內(nèi)截坐標(biāo)，導(dǎo)致小篇目:“算命者”重復(fù)置標(biāo)。

圖15 篇目嵌套

②篇目框線不美觀。

A.篇目框折線問題。例如:圖16，標(biāo)題和作者都被置標(biāo)在篇目框之外了，不僅美觀性差，而且給人一種不是同一篇目的錯(cuò)覺；圖17，篇目置標(biāo)時(shí)出現(xiàn)多余的折線，導(dǎo)致篇目框看起來繁瑣復(fù)雜，不美觀。

圖16 篇目框線不美觀

圖17 篇目框折線問題

B.篇目框壓字。例如:圖18 篇目框左下方壓字。

圖18 篇目框壓字

③標(biāo)題錯(cuò)誤

A.引題、標(biāo)題、副題順序識(shí)別錯(cuò)誤。例如:圖19，引題、副題顛倒，以字號(hào)大小判斷出標(biāo)題（最大字）后，標(biāo)題之前為引題，之后為副題。

圖19 標(biāo)題順序識(shí)別錯(cuò)誤

B.小標(biāo)題未識(shí)別。例如:圖20，小標(biāo)題一、二、三未識(shí)別。

圖20 小標(biāo)題未識(shí)別

C.標(biāo)題框置標(biāo)錯(cuò)誤。通常包括:標(biāo)題框壓字、標(biāo)題框不全、標(biāo)題框交叉、標(biāo)題框劃入其他篇目?jī)?nèi)容（如作者、篇目?jī)?nèi)容等），例如:圖21。

圖21 標(biāo)題置標(biāo)錯(cuò)誤

D.標(biāo)題字識(shí)別錯(cuò)誤，錯(cuò)誤類型同欄目的字識(shí)別部分。

④作者錯(cuò)誤

A.作者的著錄方式識(shí)別錯(cuò)誤。例如:圖22，作者的屬性:法國，應(yīng)該去掉；多個(gè)作者的著錄方式（作、譯）應(yīng)該識(shí)別。

圖22 作者的著錄方式錯(cuò)誤

圖23 作者識(shí)別不全

B.多個(gè)作者識(shí)別不全。例如:圖23，作者識(shí)別不全，圖中圈中的均為作者；

C.作者字體識(shí)別錯(cuò)誤。錯(cuò)誤類型同欄目的字識(shí)別部分。

⑤轉(zhuǎn)版錯(cuò)誤

A.遺漏轉(zhuǎn)版。例如:圖24，篇目結(jié)尾:下接第四版，說明有轉(zhuǎn)版信息，應(yīng)把轉(zhuǎn)版信息如實(shí)著錄。

圖24 遺漏轉(zhuǎn)版信息

B.誤做轉(zhuǎn)版。例如:圖25，轉(zhuǎn)版下接內(nèi)容為獨(dú)立篇目，此情況轉(zhuǎn)版篇目不做轉(zhuǎn)版，而識(shí)別為其所在版面的獨(dú)立篇目。

圖25 轉(zhuǎn)版獨(dú)立篇目

C.轉(zhuǎn)版掛接錯(cuò)誤。數(shù)字化加工過程中會(huì)存在因遺漏或者判斷錯(cuò)誤導(dǎo)致的轉(zhuǎn)版版次錯(cuò)誤的情況，例如:圖26，實(shí)際應(yīng)該轉(zhuǎn)版到第3 版，寫成了轉(zhuǎn)到第2 版。

圖26 轉(zhuǎn)版掛接錯(cuò)誤

D.轉(zhuǎn)版中附圖置標(biāo)錯(cuò)誤，轉(zhuǎn)版的附圖信息統(tǒng)一做到轉(zhuǎn)版所在篇目的附圖里。例如:圖27，轉(zhuǎn)版的附圖應(yīng)該劃在所屬篇目的附圖組中。

圖27 轉(zhuǎn)版附圖錯(cuò)誤

⑥附圖錯(cuò)誤

A.篇目附圖誤入圖片組。例如:圖28，篇目中的附圖做到了圖片組中（圖片的介紹見下一節(jié)）。

圖28 附圖誤入圖片組

B.多個(gè)附圖的情況。例如圖29，篇目中的兩個(gè)附圖應(yīng)該分開分別如實(shí)著錄。

圖29 多個(gè)附圖著錄錯(cuò)誤

（3）圖片組錯(cuò)誤

圖片組用來記載獨(dú)立的圖片、表格、題詞等內(nèi)容，它與正文組是并列的關(guān)系；一個(gè)完整的圖片也包括圖片置標(biāo)、圖片標(biāo)題、圖片作者等信息；圖片作為一篇完整的篇目，錯(cuò)誤類型除上述介紹的外，還包括以下幾點(diǎn)。

①圖片有明確文字說明，識(shí)別為標(biāo)題。例如圖30，圖片標(biāo)題不應(yīng)識(shí)別為:[圖片]，應(yīng)該按照?qǐng)D片中的標(biāo)題如實(shí)著錄。

圖30 圖片標(biāo)題識(shí)別錯(cuò)誤

②圖片無明確標(biāo)題，自擬標(biāo)題或者總結(jié)大意。例如:圖31，圖片無明確標(biāo)題，概括大意作標(biāo)題，或使用自擬標(biāo)題[照片]、[漫畫]、[新聞圖片]、[廣告]等。

圖31 圖片無標(biāo)題

3 民國報(bào)紙數(shù)字化驗(yàn)收存在問題的原因及改善方法

分析民國報(bào)紙數(shù)字化驗(yàn)收中存在的這些常見問題，主要是由于以下幾方面原因產(chǎn)生的:

（1）數(shù)字化加工人員經(jīng)驗(yàn)不足，流水線加工之間配合不協(xié)調(diào)。一方面外包公司招來的加工人員絕大部分是初中生、高中生，由于加工任務(wù)緊湊，沒有對(duì)加工人員進(jìn)行系統(tǒng)的培訓(xùn)就上崗操作，且加工人員對(duì)加工任務(wù)的理解和操作能力有限，導(dǎo)致一些簡(jiǎn)單操作出錯(cuò)；另一方面外包公司的數(shù)字化加工采用流水線作業(yè)，流水線之間溝通欠缺，常出現(xiàn)第一個(gè)流水線漏操作，第二個(gè)流水線按照自己的經(jīng)驗(yàn)進(jìn)行錄入。

（2）數(shù)字化加工人員與驗(yàn)收管理方之間溝通不及時(shí)。隨著我館數(shù)字化成品的要求不斷提高，民國報(bào)紙數(shù)字化加工政策時(shí)常發(fā)生細(xì)微變化，我館傳達(dá)給外包公司相關(guān)負(fù)責(zé)人，負(fù)責(zé)人由于技術(shù)理解或者傳達(dá)不及時(shí)，導(dǎo)致政策發(fā)送和實(shí)施操作不協(xié)調(diào)，從而出現(xiàn)問題。

（3）批量進(jìn)行數(shù)字化加工，加工人員追求量，不追求質(zhì)。外包公司由于利益趨使，常常分配給加工人員滿負(fù)荷的工作量，這就導(dǎo)致加工人員為了完成分配的任務(wù)，每天長時(shí)間機(jī)械式地進(jìn)行同一項(xiàng)操作，對(duì)一些細(xì)微之處（比如多字少字、多符號(hào)少符號(hào)）忽略，從而出現(xiàn)錯(cuò)誤。

（4）外包公司技術(shù)和經(jīng)驗(yàn)有限。由于外包公司技術(shù)有限，常會(huì)出現(xiàn)篇目置標(biāo)出現(xiàn)細(xì)微鋸齒影響美觀等問題；外包公司加工經(jīng)驗(yàn)欠缺，OCR文字識(shí)別字庫存儲(chǔ)量不足，遇到一些文字識(shí)別問題會(huì)無從下手。

針對(duì)上述原因，筆者認(rèn)為可以從以下幾個(gè)方面加以改進(jìn):

（1）擇優(yōu)選擇外包公司。在競(jìng)投標(biāo)選擇外包公司時(shí)，參考公司往年的業(yè)績(jī)和加工任務(wù)量進(jìn)行篩選，選擇一兩個(gè)經(jīng)驗(yàn)豐富、技術(shù)水平過硬的公司負(fù)責(zé)數(shù)字化加工任務(wù)。

（2）根據(jù)不同的錯(cuò)誤類型（比如:字錯(cuò)誤、置標(biāo)錯(cuò)誤），分別計(jì)算外包公司加工的錯(cuò)誤率，錯(cuò)誤率高于某個(gè)閾值即回退公司，重新返工，以此來限制外包公司的加工質(zhì)量，從源頭減少民國報(bào)紙加工中存在的問題。

（3）加工人員根據(jù)我館傳達(dá)的加工規(guī)范，實(shí)時(shí)進(jìn)行培訓(xùn)，且對(duì)特殊問題臨時(shí)更改或補(bǔ)充的規(guī)范進(jìn)行一對(duì)一培訓(xùn)學(xué)習(xí)，做到從技術(shù)溝通到實(shí)際加工人員之間的無縫鏈接。

（4）驗(yàn)收人員定期培訓(xùn)，對(duì)驗(yàn)收流程做到人人熟知，并通過現(xiàn)場(chǎng)參觀外包公司的加工流程，及時(shí)發(fā)現(xiàn)外包公司數(shù)字化加工中存在的問題，減少數(shù)字化驗(yàn)收錯(cuò)誤問題的返回率。

（5）根據(jù)驗(yàn)收人員的經(jīng)驗(yàn)或?qū)ｉL，分配每個(gè)人的驗(yàn)收任務(wù)量，以便提高驗(yàn)收效率。