【概述】

    优质的媒体内容是传统出版最大的优势。将这些内容进行数字出版，使内容的价值得到最大化，是传统出版与新媒体技术的强强联合。海量信息经过加工、整合、挖掘才能提升其使用价值，因此需要对书、刊、报、文档等电子出版物进行版面理解和版面分析，将版式文件转换为结构化XML，并建立数据之间的逻辑关系。

    “全能图书结构化加工系统”是一个面向数字出版的图书内容结构化加工平台，将PDF等版式图书进行分析、拆分和标引，输出用XML描述的结构化数据，满足数字产品多元化发布的需要，例如专业知识数据库、流式电子书等，协助出版社从传统出版向数字出版快速打通技术瓶颈。

【平台特性】

1、全面的输入格式支持

• PDF：支持单层PDF、双层PDF。由于各种格式均可转为PDF，不需要为每种格式单独开发，就共享了PDF内容加工的所有特性。鉴于支持PDF至关重要，我们在系统中配备了三套PDF解析引擎，最大程度地兼容了各种PDF可能存在的问题。系统可以不依赖Acrobat独立运行。对PDF解析的正确性和效果可以达到Acrobat标准。
• PS：为了方便用户，和充分利用PS中版面结构信息，系统支持直接打开PS。支持的PS包括方正全系列（书版、维思、飞腾3、飞腾4、飞腾5、创艺、文合等）、华光全系列、以Adobe为代表的标准PS。能有效处理PS内嵌字体、内嵌图片、EPS图、艺术字、花边、图片裁剪、公式、字体映射等。无需另行提供页面图。

2、基于模板的自定义标引界面

• 自定义要标引的字段。
• 自定义标引字段的布局。
• 自定义字段控件类型，支持单选、多选、列表、文件、分类树、文本编辑、超文本编辑（支持字号、字体、样式调整）等。

3、全面的输出能力

• 支持输出主要的文件格式：包括TEXT、WORD、HTML、XML等。
• 自定义输出模板：根据不同的项目需要自定义输出模板，控制输出的内容和格式。
• 自定义输出文件名称及文件夹组织：可以按日期、版次、序号等变量来自动命名和层次化组织。
• 同时支持多种输出：一次反解标引，同时多种输出，满足多个需求。例如一种格式加载到数据库用于检索，另一种格式上传用于原版展示。
• 多种输出途径：本地文件及打包、HTTP上传、FTP上传、WEB Service上传、加载到数据库。
• 全面的输出内容：头版或封面的导读信息，目录链接信息；图片、文字、坐标等。

4、自动分析

• 版面分析（版面理解）：利用版式数据中存在的版式信息，如：位置、字体、字号、颜色、辅助信息、版式风格等，辅以语义分析，提取版式数据的逻辑结构，将无序、无结构的数据，组织成有序、有结构的数据。 针对报纸版面：可以从复杂版面中提取必要的文字和排版信息，自动判定排版方向、合并正文块，自动还原正文阅读顺序，自动关联文章标题和正文，并进行附图与图说、文章与附图之间的自动关联。 针对图书版面：自动进行版心定位、页眉页脚和页码处理，自动进行目录提取、章节切分，进行参考文献等辅助信息的条目化处理。
• 文档结构识别：即文章或章节的分析。从书签、目录页或内容页进行分析，文章或章节的拆分，并生成目录信息。
• 格式分析：单词、行、段落的分析。PDF文件几乎没有格式信息，PS也经常缺乏完整的格式信息。本系统提供了一个高精度的格式分析算法。
• 文章或章节分析：从书签、目录页或内容页进行分析，文章或章节的拆分，并生成目录信息。
• 字段分析：报纸字段如标题、引题、副题、作者、来源等，期刊字段如标题、作者、作者单位、关键字、编号、内容摘要等，图书CIP元数据如书名、作者、责任编辑、出版单位、ISBN、开本、定价、发行单位、内容提要等。

5、高效的生产效率析

• 减少录入：默认值、可选值、值继承、全局字段、变量自动取值等。
• 自动查错：检查空值、唯一性、多值、正则表达式。
• 自动标引：通用关键字自动标引，基于简单规则的自动分类；也可以集成专业的自动分类、自动摘要组件。
• 备份恢复：一本书往往一次做不完，可以备份工作状态，下次恢复后继续。
• 多人协作：报纸版面大，时效性强，可以多人分工，分别处理不同版面；期刊、图书可以多人分工，分别处理不同部分。
• 连版的批量拆分。
• 自定义快捷键。

6、开放性、灵活性及可扩展性

    可定制的标引方案、输出方案、分类法，多种上传方式，便于针对不同的数据或应用，快速定制，满足不同项目的需要，与不同系统进行配合。

【功能列表】

图书章节结构识别	可自定义识别规则。用于章节拆分和建立目录导航
图片识别	插图或废图识别，图题、图注与图片的关联
表格识别	三线或框线表格识别，表题、表注与表格关联。结构化表格输出。
排版格式识别	段落、空白等格式
页码识别	用于原版对照或建立索引项、目录项的定位等
版芯处理	过滤页眉、页脚、页边
文章拆分	可按指定的章节层次拆分文章
文章内部结构识别	如文章的作者、作者单位等
文章元数据标引及分类	经过标引和专业分类，提升信息附加值。可集成第三方数据挖掘模块（自动分类、摘要、抽取关键词等）
索引处理	识别索引项，建立索引项定位
补字处理	补字的识别和表示
公式处理	公式的识别和表示 行内图处理
上、下标处理	上、下标的识别和表示
斜体、粗体、下划线	及更多的文字样式，更丰富的表现力
注释处理	注释识别和表示 脚注、尾注及其引用的双向链接
注音处理
英文处理	英文分词等
方正符号乱码	方正文件的英文、数字、标点乱码的自动纠正

【荣誉】

• 武汉大学信息管理学院数字出版系教学软件。
• 北京印刷学院数字出版实验室软件。

【成功案例】

• 人卫社：社内3-5位编辑负责预处理，发送加密数据到社外；社外30-50位兼职编辑（医学专业高校学生），负责精细加工和分类标引，回传加密数据到社内；社内解密后审核入库。资源应用为医学专业数据库产品，及苹果、亚马逊平台电子书出版。科技类图书，多为500-1000页，包含大量图、表、公式、上下标，多层章节结构。
• 人民社：社内5-10位编辑负责图书加工。资源应用为Kindle电子书阅读，及图书内容搜索。人文类图书，从PDF书签提取章节结构，有较多脚注、尾注需处理为双向链接。
• 电子社：社内3-10位编辑负责预处理及部分精品加工；在社外某学校建立加工部，20-30名操作员（学生），对加密数据进行精细加工；社内解密后审核入库。资源应用为IT专业数据库产品，及多平台电子书出版。科技、教育类图书，排版格式来源多，版式风格多样，加工结果符合DocBook标准。

【演示截图】

总体界面：

 

版面及排版格式分析：

 

章节结构分析：

、

 

图片分析：

 

表格分析：

 

公式分析：

 

文章拆分：

 

文章标引：

 

文章分类：