纸质公文一体化处理的方法刍议.docVIP

纸质公文一体化处理的方法刍议 　　政府的工作离不开公文，它是政府部门间信息传递的主要渠道。因此，公文的数量十分庞大，一般市级政府业务部门每天收到的公文数量少则十几件，多则几十件，其中大部分仍为纸质公文。例如，笔者所在局收到的纸质公文就约占总量的70％，需要通过扫描仪把这些纸质公文一个一个地扫描成电子文档，并手工录入来文单位、文号和标题等信息。平均处理一个公文的时间为4分钟，那么，60个公文就需要4个小时。由于工作强度大，输入的信息容易出错，对批阅及今后的查询都带来一定的困难。 　　所谓纸质公文一体化处理，就是将多个公文同时扫描，系统自动把每个公文处理成便于阅读和复制的文档。同时自动提取公文的来文单位、文号和标题等信息，并通过预设关系表的方式，实现来文单位和来文号之间的自动关联。 　　 　　一、公文结构特征分析 　　 　　公文分为正式公文与非正式公文，根据2001年实行的《国家行政机关公文处理办法》的规定，正式公文共有十三种，即命令(令)、决定、公告、通告、通知、通报、议案、报告、请示、批复、意见、函、会议纪要。非正式公文包括简报、便函等。由于文种不同，版面格式区别较大。但不同形式的公文基本上都具有一些共同的特征：一是公文来文单位、文号和标题等需要录入的信息都在公文的第一页；二是正式公文的文号单独成一行，非正式公文如简报，首页“第××期”一般也单独成行；三是文件标题在文号下方，一般由一至三行组成，标题结尾的词语相对比较固定，常见的有为“纪要、批复、请示、讲话、要点、通报、通知、纪要、意见、报告、决定、备忘录、函、简报、摘要、汇报、函复、公告”等18个。 　　 　　二、一体化处理的基本思路 　　 　　公文电子化处理包括扫描、识别、分类、转换和录入五个环节。这几个环节中，公文自动分类和信息的录入是其中的关键。公文扫描后可以通过OCR软件进行文字的自动识别，文字识别软件一般是自上而下逐行识别处理，为提高识别率和加快处理速度，文字识别软件不处理文字的颜色和字体大小等信息。为实现自动提取来文单位、文号和标题等相关信息，首先要让程序能定位公文的首页，由于是多个公文同时扫描，要准确的判定公文的第一页，就必须要设置特殊的标志位。首页定位后，再考虑如何从中提取来文单位、文号和标题等相关信息。从文件的特征来看，文号因单独成行，相对比较容易提取，因此先找到文号的位置。接下来根据文号和来文单位的关联性，获取来文单位信息。文件标题位于文号下面，可以通过文号来定位，标题的行数也可以根据结尾关键词来判断。由于扫描后的公文是一页一个图片文档的形式存储，可以选择适当的格式转换软件，自动生成一个PDF格式图片文档和一个文本格式电子文档。 　　 　　三、各环节的具体处理方法 　　 　　(一)扫描仪的选择和设定 　　公文一般是双面的，因此须选择一款带双面扫描且自动进纸功能的高速扫描仪，扫描速度为30页／分钟以上。为满足文字识别对图像精度的要求，扫描模式选择彩色，分辨率为300dpi，亮度和对比度可根据文件红头的彩色和文字的清晰度来调整，一般以纸张的底色与计算机显示的白色较为接近为宜，此时电子文件看上去比较清晰但又柔和、不刺眼。另外，扫描仪最好带有自动纠偏功能，有助于提高文字识别率。 　　 　　(二)公文的分类与合成 　　公文扫描后，每一个页面以一个JPG格式的文件形式保存在指定的目录下，此时需要按不同的公文把这些JPG格式的文件进行合并。系统如何才能自动地按不同的公文进行区分呢?为解决这个问题，在扫描之前，每一个公文之间隔一张A4的纸，纸上可以自定义的特殊的标识符，以能快速识别且不与文件字符重复为宜，建议使用连续的“2222222”，系统一旦遇到这一标识符，自动把前后的不同公文分开，同时合成PDF格式文件时删除用来分隔的纸的页面。这样就可以一次性在扫描仪中放置多个公文。系统在处理时自动把已区分的公文转成PDF格式的电子文档。由于扫描时的分辨率为300dpi，虽然清晰，但转成的PDF格式电子文档容量较大，每一页约为300KB，严重影响打开的速度，因此在转成PDF格式文档时必须进行一定比例的压缩，压缩的比例以不影响阅读为宜。 　　 　　(三)公文基本信息的提取和纠错 　　文字识别软件可自动对JPG格式的电子文档进行逐行识别，识别完成后除每一行的字符仍处在原来的行中之外，其它的版面格式信息已被去除。原有公文字符的颜色和字体等信息将无法获取。这样给提取来文单位、文件标题和文号带来了一定的困难。通过对比分析，可以由下面的方法来解决。 　　第一步，去除每一行中的空格。文字识别软件在识别的过程中，文字之间会产生空格，为便于后面的判断，把首页每一行中的空格进行全部清除。 　　第二步，判断文号位置。相对而言，文号的位置比较容易找到。一般文