面向海量文献的数字化系统研究.docVIP

面向海量文献的数字化系统研究 　　摘 要：文章针对海量的文献资料如何快速录入计算机的方式方法提出了解决方案，首先通过对键盘录入、手写录入、听写录入和扫描录入四种文献数据采集方法的比较，提出了扫描录入是海量信息处理的唯一选择；其次，对扫描录入技术进行了历史回顾和现状分析；最后，提出了OCR数字化处理工厂的一揽子解决方案，即通过文字自动录入、流水线管理、质量控制和员工管理、系统管理四大功能实现海量文献的数字化。 　　关键词：OCR技术 扫描录入 文献识别 文献数字化 　　中图分类号：G203 文献标识码：A文章编码：1008-6938（2010）02-085-05 　　Solutions for Mass Literature Digitization 　　Su YunZhang QingLai （School OfManagement , Lanzhou University，Lanzhou，Gansu，730000） 　　Abstract：In this paper, a solution is proposed to input mass literature quickly into computer. First of all, through the comparison among the four kinds of data collection methodskeyboard entry, by-hand input, voice dictation, and scan inputscan input is found to be the only choice of mass information processing.Second, it is a review of the OCR technology and analysis of current situation. Finally a solution of OCR digital processing plant is put forward, that is to say, mass literature digitization can be perfected by text automatic input, pipeline management, quality control, personnel management, and system management. 　　Keywords：OCR technology；scan input； literature identification； literature digitization 　　CLC number：G203 Document code：AArticle ID：1008-6938（2010）02-085-05 　　 　　1 引言 　　五千年的中国文化遗留下极其丰富且数量庞大的历史文献，这些文献主要保存形式以甲骨、简犊和纸张作为载体，通过编纂引得、通检、索引和汇编等工具书达成文献整理和查询的目标，由于文献数量巨大和人力有限的矛盾，经过系统整理和方便的检索工具非常稀缺，加之受存储空间的限制，许多年代久远的孤本书、善本书已出现了纸张脆弱、字迹变色、书页脱落和破损发霉等现象，很多出土的甲骨、简犊和纸张也出现了腐蚀和霉烂的状况，严重影响了文献的使用和保存寿命，文献的数字化迫切性已成为信息工作者的当务之急，图书馆和档案馆应该积极顺应网络时代的潮流，运用计算机相关的数字化技术，对文献进行加工和处理，建立书目数据库、全文数据库和综合检索系统，并通过光盘和网络等途径进行信息的传播。本文针对该问题提出了面向海量文献信息数字化的处理解决方案，尤其对文字的批量识别提出了系统化的解决途径。 　　2 海量文献数字化处理的现状 　　2.1 传统的海量文献数字化技术及比较 　　如何将海量的文献资料快速录入计算机是文献数字化研究工作的重要内容，而文献数字化的瓶颈就在于如何将海量的文献录入计算机的方式方法，就传统处理技术而言，数据的录入方法有键盘录入、手写录入、听写录入和扫描录入。 　　（1）键盘录入法。键盘录入法有阴阳码输入法、郑码输入法、形象码输入法、汉码系列输入法、智能二笔输入法、双笔码输入法、汉正码输入法等，总共不下几十种，最常用的是各式各样的五笔字型和拼音输入，其中五笔输入法常用的是王码五笔、陈桥五笔、念青五笔和极点五笔等，任何一种五笔输入法只要掌握文字的拆分规则就能使用；拼音输入法常用的有智能ABC、拼音加加、紫光拼音、搜狗拼音、中文之星智能狂拼、三好拼音、极点拼音、五万拼音、递推联想拼音等，只要会拼音就会输入，这两者录入速度不分伯仲，关键在操作人员的熟练程度。