CN104424271A - 出版物数字资源的自动采集方法及*** - Google Patents

Abstract

本发明提供了一种出版物数字资源的自动采集方法及***，该方法包括：获取出版物数字资源中的资源文件；根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；将所述资源文件上传到服务器；根据所述识别结果生成所述资源文件的属性信息；将所述属性信息存储到数据库中。利用本发明，可以提高采集出版物数字资源的效率，节省大量的工作量。

Description

出版物数字资源的自动采集方法及***

技术领域

本发明涉及数字出版领域，具体而言，涉及一种出版物数字资源的自动采集方法及***。

背景技术

目前的出版物如图书、期刊、课件等的数字资源，内容众多，类型复杂。如以图书数字资源为例，一本图书的资源文件可能有上万个之多，包括封面、插图、排版文件、配套音频、配套视频等。再比如一个课件，包含多个PPT，每个PPT的内容中可能会以链接的形式引用多个音视频、图片、WORD等附件，PPT和其附属文件属于主从关系，另外，PPT及附属文件在硬盘中的相对路径在入库后必须保持，否则无法根据PPT中的链接打开附属文件，最后，多个PPT之间是有前后顺序的。

为了更有效地利用这些出版物数字资源，目前通过人工录入，将出版物数字资源录入到数据库中。然而人工操作容易出错。

发明内容

本发明实施例提供一种出版物数字资源的自动采集方法及***，以解决现有技术中出版物数字资源采集管理中人工参与程度高，效率低下、耗时长的问题。

为此，本发明实施例提供如下技术方案：

一种出版物数字资源的自动采集方法，包括：

获取出版物数字资源中的资源文件；

根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；

将所述资源文件上传到服务器；

根据所述识别结果生成所述资源文件的属性信息；

将所述属性信息存储到数据库中。

优选地，所述方法还包括：

获取并解析XML格式的配置文件，从中得到所述识别规则。

优选地，所述根据所述识别结果生成所述资源文件的属性信息包括：

根据所述识别结果生成XML格式的通知文件；

解析所述通知文件，得到所述资源文件的属性信息。

优选地，所述方法还包括：

在得到所述识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。

优选地，所述方法还包括：

从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。

一种出版物数字资源的自动采集***，包括：

获取模块，用于获取出版物数字资源中的资源文件；

识别模块，用于根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；

上传模块，用于将所述资源文件上传到服务器；

资源入库模块，用于根据所述识别结果生成所述资源文件的属性信息，并将所述属性信息存储到数据库中。

优选地，所述识别模块，还用于获取并解析XML格式的配置文件，从中得到所述识别规则。

优选地，所述资源入库模块包括：

解析单元，用于从所述识别模块获取XML格式的通知文件，解析所述XML文件得到资源文件的属性信息；

入库单元，用于将所述属性信息存储进数据库。

优选地，所述***还包括：

展现模块，用于在所述识别模块得到识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。

优选地，所述***还包括：

资源管理模块，用于从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。

本发明实施例提供的出版物数字资源的自动采集方法及***，可以提高采集出版物数字资源的效率，将采集工作人员从庞大的资源文件中解放出来，节省大量的工作量。而且，利用本发明实施例的方法及***，可以自动将采集结果入库，实现对出版物数字资源的持久化管理应用。从资源采集到入库，全程都是自动进行的，不需要用户手动参与，提高了***的自动化程度。

附图说明

图1是本发明实施例出版物数字资源的自动采集方法的流程图；

图2是本发明实施例出版物数字资源的自动采集***的结构示意图；

图3是本发明实施例中的图书样例的整理目录结构；

图4是本发明实施例中的课件样例的整理目录结构；

图5是本发明实施例中资源采集装置的界面展示图；

图6是本发明实施例中课件样例存储的数据库相关表及联系；

图7是本发明实施例中资源管理装置展示图书列表的效果图；

图8是本发明实施例中资源管理装置展示课件详细信息的效果图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

如图1所示，是本发明实施例出版物数字资源的采集方法的流程图，包括以下步骤：

步骤101、获取出版物数字资源中的资源文件。

步骤102、根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序。

所述识别规则可以通过获取并解析XML格式的配置文件来得到。

在实际应用中，对文件的排序可以先按照排序规则进行排序，不符合排序规则的，可以按照英文、字符按照首字符ASCII码进行排序，首字符中文按照拼音排序。而且，所述排序规则可以通过读取配置文件得到，默认规则可以为***数字1、2、3…以及大写一、二、三…。

需要说明的是，对于已经入库的出版物数字资源，可以重新该出版物数字资源，进行再次修改调整或者追加资源文件。

另外，对识别后的资源文件还可以进行手动调整，直到满足需求。因为自动识别毕竟是机器识别，总会有识别不了的一些很个性化的地方，比如识别课件，在识别规则中设置课件的后缀名必须是PPT，但是突然有一章的课件是HTML，仅此一个，那么可以通过手工将该是HTML文件设置为课件。具体地，可以在得到所述识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。

步骤103、将所述资源文件上传到服务器。

具体地，可以通过FTP或者共享方式将所述资源文件从本地上传到服务器。

步骤104、根据所述识别结果生成所述资源文件的属性信息，并将所述属性信息存储到数据库中。

具体地，可以首先根据所述识别结果生成XML格式的通知文件，将该通知文件传输给资源入库模块，由资源入库模块解析XML文件得到相应的属性信息，然后将所述属性信息存储进数据库。

所述属性信息可以包括：文件大小、后缀名、文件类型（文档、图片、音频、视频），业务类型（封面、插图、低精度PDf）等，图片会有分辨率，音视频有时长等等（当然后面这些属性，分辨率和时长的提取需要用的其他工具，可以集成到采集环节中）。

在本发明实施例中，还可进一步包括以下步骤：从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。

本发明实施例提供的出版物数字资源的自动采集方法，可以有效提高采集出版物数字资源的效率，将采集工作人员从庞大的资源文件中解放出来，节省大量的工作量。而且，利用本发明实施例的方法，可以自动将采集结果入库，实现对出版物数字资源的持久化管理应用。从资源采集到入库，全程都是自动进行的，不需要用户手动参与，提高了***的自动化程度。

利用本发明实施例的方法，对于具体的使用者来说，只需要在部署***的时候制定一次识别规则XML即可，无需每次使用前制定。可以批量识别出版物数字资源。可以手动选择出版物数字资源，也可以设定目录，定时扫描识别。

相应地，本发明实施例还提供一种出版物数字资源的自动采集***，图2示出了该***的结构。

在该实施例中，所述***包括：

获取模块201，用于获取出版物数字资源中的资源文件；

识别模块202，用于根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；

上传模块203，用于将所述资源文件上传到服务器；

资源入库模块204，用于根据所述识别结果生成所述资源文件的属性信息，并将所述属性信息存储到数据库中。

在实际应用中，上述识别模块202还用于获取并解析XML格式的配置文件，从中得到所述识别规则。

所述资源入库模块204可以包括：解析单元和入库单元，其中，所述解析单元用于从所述识别模块202获取XML格式的通知文件，解析所述XML文件得到资源文件的属性信息；所述入库单元用于将所述属性信息存储进数据库。

另外，在本发明***的另一实施例中，所述***还可进一步包括：展现模块，用于在所述识别模块202得到识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。用户可以利用该界面修改资源文件类型、修改资源文件间的关系及手动排序。

另外，在本发明***的另一实施例中，所述***还可进一步包括：资源管理模块，用于从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。比如，可以从数据库获取到出版物数字资源列表，进行列表或封面展示，还可以浏览出版物数字资源详细信息。

需要说明的是，在本发明实施例中，所述识别规则可以采用配置文件的方式来定义。可以自定义，以满足用户的个性化需求。采用XML格式定义，修改配置十分方便。所述识别规则可以是文件类型识别规则和文件关系识别规则两种。文件类型识别规则是指将单个资源文件进行归类的规则；文件关系识别规则是指建立文件之间关系的自动识别规则。

进一步，识别模块202还可以对资源文件进行排序。支持多种排序方式，并且可以配置扩展。

本发明实施例提供的出版物数字资源的自动采集***，可以有效提高采集出版物数字资源的效率，将采集工作人员从庞大的资源文件中解放出来，节省大量的工作量。而且，利用本发明实施例的***，可以自动将采集结果入库，实现对出版物数字资源的持久化管理应用。从资源采集到入库，全程都是自动进行的，不需要用户手动参与，提高了***的自动化程度。

下面以典型的图书及课件为例来详细说明本发明实施例中制定XML格式的识别规则及利用该识别规则对资源文件进行识别及采集的过程。

图书最常用的整理分类方法为图3所示的目录结构，图书所属的所有资源分为封面、正文、插图、配套音频、配套视频五种。每一种分类都有一些属性来标识自己以及规范属于自己的资源文件，比如：

识别码(code)：分类的唯一标识；

名称(caption)：分类的显示名；

过滤器(filter)：分类下的文件过滤；

资源类型(fileResTypes)：分类下所有文件的资源业务类型；

附件类型(fileTypes)：分类下所有文件的附件类型；

排序属性(order)：分类下文件是否需要排序，默认不排序；

关联关系(relation)：分类下资源之间是否有关联关系，默认没有。

由此可以制定如下的识别规则XML：

上面的识别规则中，根节点描述了图书的识别规则以及一些业务方面的属性，categories描述了图书的五种分类以及各自的属性特点，filters是对分类的filter属性做了详细的规定，设置了该分类下可以添加哪些格式的文件。

规则制定完毕后，导入资源识别模块，则资源识别模块将会识别此种结构的图书数字资源。

当然，也可以将上述识别规则写入配置文件中，资源识别模块在进行识别时从相应的配置文件获取识别规则。对此本发明实施例不做限定。

在资源识别模块识别资源文件时，可以定位一个文件夹，点击启动后开始批量自动识别流程。

在自动识别流程中，资源识别模块会遍历该文件夹，按照识别规则XML的根节点的type属性来识别资源包，比如图书的type是”BOOK”，那么该文件夹下所有带有”-BOOK”后缀的文件夹将被识别为图书资源包。

接着资源识别模块会遍历该资源包，进行深度识别，以封面为例。如果该资源包下有个文件夹叫做”封面”，那么根据识别XML，则该文件夹将被识别为这本图书的封面分类。

接着资源识别模块会遍历封面文件夹，首先对内部所有文件进行过滤，过滤的规则由规则XML中封面结点的属性filter="jpg"来确定，过滤通过的文件都会被归类为封面文件，并且被赋予相应的资源类型和附件类型属性，然后根据规则XML中封面结点的order属性来决定是否排序。因为图书的封面分类的relation属性为false，所以识别到这里，就结束了封面分类的识别。

接着继续识别其他的分类直到结束，则图书识别完毕。

而课件和图书不同之处在于课件的资源文件没有分类，只有关联关系，如图4所示。一个课件资源包含多个主文件（PPT、WORD等），每个主文件都有自己的从属文件，比如一个PPT中会以链接或者引用的方式引用一些图片、音视频以及PDF等等，而且整个课件的相对路径在采集入库后要保持。

课件的目录结构整理就没有固定的分类体系，但是课件的文件还是需要过滤，并且有一些业务属性，所以课件的识别规则XML可以如下：

上面识别规则XML中，根节点的含义和图书一致，categories中有一个single属性表明该识别规则没有多种分类，所有的资源文件都统一采用内部唯一的category结点的属性来进行识别。其中category的relation属性为true，则相应的识别规则的下方给出了具体的关联关系配置，就是relations节点，其中的属性说明如下：

name：填写的是category的code属性值，表明了这个relation配置是为哪一个category服务的；

type：关联关系类型，上面给出的是mainslave（主从关系），也可以配置为equal（平等关系）。

relation下面的item结点给出了识别关联关系的规则，上面的例子中，第一个item给出了识别主文件的规则，即后缀名为”ppt,pptx”的文件会被识别为主文件，第二个item结点给出了从属文件的识别规则，即所有和某个主文件完全同名的非主文件将被识别为该主文件的从属文件。

将该识别规则XML导入资源识别模块，则资源识别模块将会识别此种结构的课件数字资源。

定义某个文件夹并启动识别后，资源识别模块会识别该文件夹下所有带有”-COURSE”后缀的文件夹将为课件资源包。

因为没有分类，所以直接识别资源文件，先根据filter属性过滤文件，之后根据order属性进行排序，然后就是根据relation属性来识别关联关系。然后识别结束。

对所述资源文件识别完成后，资源识别模块会将所有文件类型、文件关系以及排序等信息传送给资源采集模块，两个模块属于紧耦合，通过接口直接传递信息。

资源采集模块用来展示、修改资源识别模块提供的信息，资源采集模块可以提供相应的操作界面，如图5所示，用户通过界面展示来查看自动识别的结果是否有出入，通过该界面，可以使用户手动在界面上调整文件的类型、文件关系及排序。

资源采集模块接收到用户的提交指示后，首先将文件上传至服务器，然后将用户调整后的结果生成XML格式的通知文件，通过Webservice接口传递给资源入库模块。

需要说明的是，在实际应用中，也可以由资源识别模块直接交识别结果，而不经过资源采集模块，也就是说，不进行人工干预。

比如，针对课件采集的通知文件样例如下：

上面是传输的片段，一个item表示一个文件（或文件夹）。该XML文件完整记录了前面自动识别及用户调整后的所有信息。

资源入库模块获得XML通知文件后，进行解析入库动作，将XML解析后，将得到的资源文件的属性信息存储到数据库中。

图6所示为一个课件的数字资源存储进入数据库的相关表及联系。一个课件***课件库一条记录，然后课件素材进课件素材库，每一个主文件及其附属文件***课件素材库一条记录，然后每一个文件都会在文件业务库***一条记录，实体文件的信息（文件大小、ftp路径等）保存在四个实体文件表中。

文件的类型信息、关联关系及排序信息都保存在文件业务库中。

资源管理模块可以从数据库中读取信息并进行展示。如图7所示的是从图书库获取所有的图书信息，以封面列表形式进行展示。图8所示的是从数据库获取一个课件，进行展示。

另外，资源管理模块还可以从数据库中导出采集信息给资源采集模块，资源采集模块加载后，可以重新编辑，修改后再次提交入库。

可见，本发明的所述的出版物数字资源自动采集的方法及***，简化了用户参与采集的过程，提高了资源采集效率。

需要说明的是，本发明所述的出版物数字资源自动采集的方法及***，并不限于上述具体实施方式中所述的实施例，通过制定不同的规则XML，扩展资源识别模块的识别方式得出其他的实施方式，同样属于本发明的技术创新范围。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种出版物数字资源的自动采集方法，其特征在于，包括：

获取出版物数字资源中的资源文件；

根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；

将所述资源文件上传到服务器；

根据所述识别结果生成所述资源文件的属性信息；

将所述属性信息存储到数据库中。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取并解析XML格式的配置文件，从中得到所述识别规则。

3.根据权利要求1所述的方法，其特征在于，所述根据所述识别结果生成所述资源文件的属性信息包括：

根据所述识别结果生成XML格式的通知文件；

解析所述通知文件，得到所述资源文件的属性信息。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在得到所述识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：

从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。

6.一种出版物数字资源的自动采集***，其特征在于，包括：

获取模块，用于获取出版物数字资源中的资源文件；

识别模块，用于根据预设的识别规则对所述资源文件进行识别，得到识别结果，所述识别结果包括：文件类型、文件关系及排序；

上传模块，用于将所述资源文件上传到服务器；

资源入库模块，用于根据所述识别结果生成所述资源文件的属性信息，并将所述属性信息存储到数据库中。

7.根据权利要求6所述的***，其特征在于，

所述识别模块，还用于获取并解析XML格式的配置文件，从中得到所述识别规则。

8.根据权利要求6所述的***，其特征在于，所述资源入库模块包括：

解析单元，用于从所述识别模块获取XML格式的通知文件，解析所述XML文件得到资源文件的属性信息；

入库单元，用于将所述属性信息存储进数据库。

9.根据权利要求6所述的***，其特征在于，所述***还包括：

展现模块，用于在所述识别模块得到识别结果后，向用户展现手动修改操作界面，以使用户在所述操作界面上调整文件的类型、文件关系及排序。

10.根据权利要求6至9任一项所述的***，其特征在于，所述***还包括：

资源管理模块，用于从数据库读取资源文件的属性信息，并在浏览器中进行展示所述属性信息。