徐延華 李 靜

（河南農(nóng)業(yè)大學(xué)圖書館，河南 鄭州 450002）

正則表達(dá)式在控制MARC數(shù)據(jù)質(zhì)量中的應(yīng)用研究

徐延華 李 靜

（河南農(nóng)業(yè)大學(xué)圖書館，河南 鄭州 450002）

隨著網(wǎng)絡(luò)和信息技術(shù)的發(fā)展，聯(lián)機(jī)編目得以實(shí)現(xiàn)，編目工作的重心也由傳統(tǒng)的著錄方式向編目規(guī)范控制工作轉(zhuǎn)變。本文詳細(xì)介紹了正則表達(dá)式以及用正則表達(dá)式的匹配規(guī)則來規(guī)范MARC數(shù)據(jù)的方法，為有效控制MARC數(shù)據(jù)質(zhì)量、提高審校MARC數(shù)據(jù)的效率提供了思路。

marc數(shù)據(jù)；正則表達(dá)式；質(zhì)量

近年來，隨著計(jì)算機(jī)網(wǎng)絡(luò)與信息技術(shù)在圖書館的廣泛應(yīng)用，大大推動(dòng)圖書館編目工作發(fā)展，圖書館聯(lián)機(jī)編目得以實(shí)現(xiàn)，編目工作的重心也由傳統(tǒng)的著錄方式向編目規(guī)范控制工作轉(zhuǎn)移。同時(shí)，CNMARC經(jīng)過幾十年的發(fā)展，現(xiàn)也成為當(dāng)前國內(nèi)管理中文文獻(xiàn)資源中最具權(quán)威性的一種標(biāo)準(zhǔn)化數(shù)據(jù)格式，廣泛應(yīng)用于我國各類圖書館。它的應(yīng)用為實(shí)現(xiàn)我國書目數(shù)據(jù)的標(biāo)準(zhǔn)化和規(guī)范化，進(jìn)而實(shí)現(xiàn)書目信息的共建共享提供了可能。但目前，諸多圖書館仍然存在的中西文編目格式“不統(tǒng)一”，編目數(shù)據(jù)“不規(guī)范”，字段信息“不準(zhǔn)確”等質(zhì)量問題的存在，MARC數(shù)據(jù)的質(zhì)量得不到保證，不能給讀者提供全面而準(zhǔn)確的文獻(xiàn)信息，讀者檢索機(jī)讀目錄的效率與興趣將會(huì)大大降低，也直接影響圖書館自動(dòng)化系統(tǒng)的功能發(fā)揮，使無障礙的書目數(shù)據(jù)交換未能圓滿實(shí)現(xiàn)。因此，對(duì)MARC數(shù)據(jù)進(jìn)行質(zhì)量控制研究，具有十分重要的現(xiàn)實(shí)意義。

1 編目數(shù)據(jù)庫中MARC數(shù)據(jù)常見問題

1.1 MARC數(shù)據(jù)不規(guī)范，遺漏一些必要的檢索點(diǎn)

一個(gè)書目數(shù)據(jù)庫是由一條條書目記錄組成的。它的檢索功能必然受每一條書目記錄檢索點(diǎn)的制約。字段則構(gòu)成數(shù)據(jù)庫的最小單元。CNMARC的字段設(shè)置分0～9十大功能塊。這十大塊，基本涵蓋了文獻(xiàn)的所有內(nèi)部、外部特征，提供了更多的檢索點(diǎn)，方便讀者多途徑、多角度地進(jìn)行檢索。能提供檢索點(diǎn)的字段主要有O——（部分）、2——（部分）、4——（全部）、5——（全部）、6——（全部）、7——（全部）這六大塊。如500（統(tǒng)一題名）字段、517（其他題名）字段和610（非控主題）字段等，在許多文獻(xiàn)資源揭示中被忽略或遺漏，這樣讀者利用其他題名或其他主題檢索時(shí)，就會(huì)檢索不出所需結(jié)果。如：2001#@a亂世佳人@Aluan shi jia ren@f（美）米切爾著@g黃懷仁等譯（marc數(shù)據(jù)來源于河南農(nóng)大圖書館），如果沒有517字段，這樣用“飄”去檢索，就會(huì)檢索不出。除此之外，在文獻(xiàn)編目中還存在分類標(biāo)引不當(dāng)，主題標(biāo)引、索書號(hào)確立不正確等很多質(zhì)量問題，從而降低了MARC數(shù)據(jù)的規(guī)范化、標(biāo)準(zhǔn)化程度，限制了讀者最大限度地使用，也為書目數(shù)據(jù)共享造成障礙。

1.2 著錄字符不規(guī)范

MARC數(shù)據(jù)有其獨(dú)特的數(shù)據(jù)結(jié)構(gòu)標(biāo)準(zhǔn)，包括頭標(biāo)區(qū)、目次區(qū)和數(shù)據(jù)區(qū)，是一種變長的數(shù)據(jù)存儲(chǔ)格式，這些數(shù)據(jù)在輸入時(shí)如有差錯(cuò)就會(huì)影響用戶檢索結(jié)果。在文獻(xiàn)著錄過程中，最常見的是著錄字符不規(guī)范，文字輸入性錯(cuò)誤。文字輸入性錯(cuò)誤是影響用戶檢索，導(dǎo)致漏檢與誤檢的重要原因。例如將題名前無意識(shí)地加了個(gè)空格，題名中的間隔號(hào)錯(cuò)輸為破折號(hào)；著錄中出現(xiàn)錯(cuò)別字，《四世同堂》錄成《四世同黨》，《現(xiàn)代漢語詞典》著錄成《現(xiàn)代漢語詞典》，將“余”錄成“佘”；ISBN號(hào)、分類號(hào)、索取號(hào)中出現(xiàn)錯(cuò)號(hào)，字母、數(shù)字的全角、半角不一致，字母大小寫不一致，選用鍵盤符號(hào)不一致，選用字母類型不一致，如010@a錯(cuò)為@b，M516/ 7812等，這些都將會(huì)影響著錄質(zhì)量，造成錯(cuò)檢、漏檢[1]。

2 MARC數(shù)據(jù)與正則表達(dá)式

MARC數(shù)據(jù)是機(jī)讀環(huán)境下作為準(zhǔn)確的描述揭示文獻(xiàn)內(nèi)容，并能被用戶順利利用一種文獻(xiàn)信息組織語言。這種語言表達(dá)的準(zhǔn)確與否直接影響著讀者的查全率和查準(zhǔn)率。不規(guī)范、不準(zhǔn)確的MARC數(shù)據(jù)，就會(huì)造成讀者的誤檢、漏檢現(xiàn)象。而正則表達(dá)式就是一種控制和分析用戶輸入，提高數(shù)據(jù)質(zhì)量控制的常用方法，其最初應(yīng)用于神經(jīng)網(wǎng)絡(luò)，是一種模式匹配方法，而且具有簡潔、通用、快速的優(yōu)點(diǎn)，可對(duì)任何類型數(shù)據(jù)及形式進(jìn)行校驗(yàn)，更廣泛應(yīng)用于數(shù)據(jù)格式驗(yàn)證、文本數(shù)據(jù)解析等方面。所以，如果利用正則表達(dá)式進(jìn)行MARC數(shù)據(jù)字段著錄輸入校驗(yàn)，對(duì)MARC數(shù)據(jù)必備字段進(jìn)行查重審核，不失為提高M(jìn)ARC數(shù)據(jù)質(zhì)量的“一把金鑰匙”。

3 正則表達(dá)式

3.1 正則表達(dá)式定義

正則表達(dá)式（regular expression）描述了一種字符串匹配模式，用于檢查一個(gè)字符串是否含有符合匹配規(guī)則的子串、將匹配的子串做替換或者從某個(gè)串中取出符合匹配規(guī)則的子串等[2]。

3.2 正則表達(dá)式的規(guī)則

正則表達(dá)式是由普通字符和特殊字符組成的文字模式，這些文字模式作為一個(gè)匹配規(guī)則模板與被檢測(cè)的字符串進(jìn)行匹配，并返回匹配結(jié)果。

普通字符包括數(shù)字、字母、漢字、下劃線和在正則表達(dá)式中沒有特殊含義的標(biāo)點(diǎn)符號(hào)，例如：“/”、“-”、“:”、“.”等標(biāo)點(diǎn)符號(hào)都是普通字符，而“+”、“”、“^”、“$”等標(biāo)點(diǎn)符號(hào)在正則表達(dá)式中都有特殊含義屬于特殊字符。

3.2.1 普通字符

普通字符在正則表達(dá)式中匹配被檢測(cè)字符串中與其本身相同的一個(gè)字符，要與2個(gè)及其以上普通字符組成的表達(dá)式匹配成功，被檢測(cè)字符串中必須含有與表達(dá)式中字符組成以及先后順序完全一致而且中間沒有多余字符的子串。

例如：表達(dá)式“-”，匹配“-45”、“圖書館-”、“123-圖書館”等含有字符“-”的字符串；表達(dá)式“書”，匹配“圖書館”、“書香茶館”等含有字符“書”的字符串；表達(dá)式“書館”，則只匹配字符串“圖書館”，不匹配字符串“書香茶館”，后者雖然同時(shí)含有“書”和“館”這2個(gè)字符，但因其中間多了“香”和“茶”這2個(gè)字符，所以匹配失敗。

3.2.2 特殊字符

特殊字符是有特殊含義的標(biāo)點(diǎn)符號(hào)，它使正則表達(dá)式具備了處理能力。正則表達(dá)式的特殊字符較多，本文不再逐一介紹，只舉例說明在做MRAC數(shù)據(jù)匹配時(shí)常用到的特殊字符[3]。

“^”匹配被檢測(cè)字符串的開始位置。

例如：表達(dá)式“書”匹配字符串“圖書館”，但表達(dá)式“^書”不匹配字符串“圖書館”，因?yàn)樽址皶辈辉谧址皥D書館”的開始位置，字符串“書館”則與其匹配。

“$”匹配被檢測(cè)字符串的結(jié)束位置。

例如：表達(dá)式“書館”匹配字符串“圖書館”、“圖書館大樓”，但表達(dá)式“書館$”則只匹配字符串“圖書館”，因?yàn)樽哟皶^”不在字符串“圖書館大樓”的結(jié)尾位置。

“”也叫轉(zhuǎn)義字符，與普通字符與元字符組合后，會(huì)產(chǎn)生新的特殊含義。

例如：表達(dá)式“w”匹配下劃線或任意一個(gè)數(shù)字、字母、漢字；表達(dá)式“d”匹配數(shù)字0至9；“+”、“”、“^”、“$”等是特殊字符，在表達(dá)式中有特殊含義，要想匹配其字符本身，可以使用表達(dá)式“+”、“\”、“^”、“$”依次匹配。

“[]”匹配方括號(hào)中的任意一個(gè)字符。

例如：表達(dá)式“[圖書館]”，匹配字符串“圖畫”、“書報(bào)”、“體育館”等含有“圖”、“書”、“館”中任意一個(gè)字符的字符串；表達(dá)式“[0123456789]”和“[0-9]”功能相同，匹配0至9之間的任意一個(gè)數(shù)字；表達(dá)式“[a-z]”，匹配a至z之間的任意一個(gè)小寫字母。

“|”表示或的意思，匹配符號(hào)“|”兩端子表達(dá)式中的任意1個(gè)。

例如：表達(dá)式“[0-9]|[a-z]”，匹配數(shù)字0至9或26個(gè)小寫字母中任意1個(gè)。

“（）”用來定義特殊字符作用的范圍。

例如：表達(dá)式“圖書館|室藏書”，匹配含有子串“圖書館”、“室藏書”的字符串，而表達(dá)式“圖書（館|室）藏書”，則匹配含有子串“圖書館藏書”、“圖書室藏書”的字符串，因?yàn)閳A括號(hào)“（）”限定了字符“|”的作用范圍，使之只作用于括號(hào)內(nèi)的子表達(dá)式。

“+”匹配前面的子表達(dá)式重復(fù)至少1次后生成的表達(dá)式。

例如：表達(dá)式“書+”，匹配 “圖書館”、“圖書書館”、“圖書書書館”等含有字符“書”的數(shù)量等于或超過1個(gè)的字符串，但不匹配像“圖館”這樣的不含有字符“書”的字符串。

“{n}”，n為非負(fù)整數(shù)，它匹配前面的子表達(dá)式重復(fù)n次后生成的表達(dá)式。

例如：表達(dá)式“書{2}”，匹配字符串“圖書書館”，但不匹配字符串“圖書館”。

“{n，}”匹配前面的子表達(dá)式重復(fù)至少n次后生成的表達(dá)式。

例如：表達(dá)式“書{2，}”，匹配“圖書書館”、“圖書書書館”、“圖書書書書館”、“圖書書書書館”等含有連續(xù)2個(gè)及其以上“書”的“字符串”。

“{n，m}”，n、m均為非負(fù)整數(shù)，m＞=n，它匹配前面的子表達(dá)式重復(fù)最少n次最多m次后生成的表達(dá)式。

例如：表達(dá)式“書{2，4}”，可以匹配上個(gè)例子中所有的字符串，但當(dāng)所匹配的字符串中含有的“書”字符超過4個(gè)時(shí)，只匹配該字符串中前4個(gè)“書”字符。

4 正則表達(dá)式在規(guī)范MARC數(shù)據(jù)質(zhì)量中的應(yīng)用

MARC數(shù)據(jù)包含的信息較多，僅以ISBN號(hào)、索取號(hào)這些書寫規(guī)則比較復(fù)雜的字段為例，說明如何利用正則表達(dá)式來檢驗(yàn)其是否符合標(biāo)準(zhǔn)的書寫規(guī)則，從而規(guī)范MARC數(shù)據(jù)的質(zhì)量。

4.1 匹配ISBN號(hào)的正則表達(dá)式規(guī)則

圖 1 ISBN號(hào)正則表達(dá)式書寫規(guī)則對(duì)應(yīng)圖

如圖1所示，ISBN號(hào)由5段數(shù)字組成，中間用字符“-”連接，例如:978-7-471-81086-x。第一段是ISBN號(hào)專用前綴，固定數(shù)字978不變，對(duì)應(yīng)的表達(dá)式為“978”；第二段是地區(qū)國別語種代碼，為任意1個(gè)1位數(shù)字，對(duì)應(yīng)的表達(dá)式為“[0-9]”；第三段是出版社編號(hào)，為任意1個(gè)3位數(shù)字，表達(dá)式“[0-9]”匹配任意1個(gè)1位數(shù)字，用表達(dá)式“{3}”將其重復(fù)3次便得到匹配任意1個(gè)3位數(shù)字的表達(dá)式“[0-9]{3}”；第四段是圖書序號(hào)，為任意1個(gè)5位數(shù)字，同理其對(duì)應(yīng)的表達(dá)式為“[0-9]{5}”；最后一段是校驗(yàn)碼，為數(shù)字0-9或字母x中的任意一個(gè)字符，表達(dá)式“[0-9]”匹配任意1個(gè)1位數(shù)字，在其集合中加上一個(gè)字母“x”，便得到與之匹配的表達(dá)式“[0-9x]”。將五個(gè)表達(dá)式按順序用字符“-”連接起來得到的表達(dá)式“^978-[0-9]-[0-9]{3}-[0-9]{5}-[0-9x]$”便是匹配完整的ISBN號(hào)的表達(dá)式，可以之檢驗(yàn)MARC數(shù)據(jù)中所有的ISBN號(hào)，找出不符合書寫規(guī)則的數(shù)據(jù)。表達(dá)式的開頭和結(jié)尾分別加上了標(biāo)識(shí)字符串開始和結(jié)尾的字符“^”、“$”，原因是不加開始和結(jié)尾標(biāo)識(shí)的表達(dá)式匹配的字符串范圍過寬，只要字符串中任意一個(gè)位置含有符合表達(dá)式匹配規(guī)則的子串，則視為整個(gè)字符串符合匹配規(guī)則，例如：去掉開始和結(jié)尾標(biāo)識(shí)的表達(dá)式“978-[0-9]-[0-9] {3}-[0-9]{5}-[0-9x]”，除了匹配字符串“978-7-471-81086-x”外，還匹配不符合ISBN號(hào)書寫規(guī)則的“abc978-7-471-81086-x”、“978-7-471-81086-x圖書館”、“閱覽室978-7-471-81086-xgh”等字符串。

4.2 匹配索取號(hào)的正則表達(dá)式規(guī)則

索取號(hào)由分類號(hào)、著者號(hào)、種次號(hào)、版次、卷冊(cè)號(hào)組成，其中分類號(hào)、著者號(hào)是必備字段，部分分類號(hào)不含有種次號(hào)、版次和卷冊(cè)號(hào)或只具備其中1到2個(gè)，排列格式為：分類號(hào)/著者號(hào)-種次號(hào)/版次:卷冊(cè)號(hào)，例如：TP13/4434-2/2:2、S435.13-62/6071、S513/1024/2。

現(xiàn)在所用的圖書分類法一般都是中國法，中圖法將圖書分為22個(gè)大類，分別用L、M、W、Y之外的22個(gè)大寫英文字母表示。分類號(hào)除T大類以2個(gè)大寫字母（T加1個(gè)上其他字母）開頭其他21大類都以1個(gè)代表該類的大寫英文字母開頭，英文字母之后接數(shù)字，部分分類號(hào)還含有字符“.”和“-”，長度一般不超過20位，對(duì)應(yīng)的表達(dá)式為“（[A-KN-SUVXZ]|T[BDE-NPQSUV]）[0-9.-]{1，20}”。其中表達(dá)式“[A-KN-SUVXZ]”匹配L、M、W、Y、T之外的任意1個(gè)大寫英文字母，T雖然也代表一個(gè)大類，但因T大類分類號(hào)均是兩個(gè)英文字母開頭，分別為TB、TD、TE-TN、TP、TQ、TS、TU、TV，所以單獨(dú)以表達(dá)式“T[BDE-NPQSUV]”匹配，與前面表達(dá)式以字符“|”連接，匹配代表22個(gè)大類的除T以外的大寫英文字母或者TB、TD等T開頭的2個(gè)大寫英文字母；表達(dá)式“[0-9.-]{1，20}”匹配分類號(hào)中字母后面的數(shù)字部分，有的分類號(hào)含有字符“.”和“-”，在字符集合“[0-9.-]”中也作了相應(yīng)的匹配，“{1，20}”用于匹配分類號(hào)數(shù)字部分的長度，限定最短1位，最長20位。

著者號(hào)由4位數(shù)字組成，對(duì)應(yīng)表達(dá)式為“/[0-9]{4}”，字符“/”為索取號(hào)書寫規(guī)則中規(guī)定的著者號(hào)的引導(dǎo)標(biāo)識(shí)。

種次號(hào)由1至2位數(shù)字組成，第1位數(shù)字不為0，以表達(dá)式“[1-9]”匹配，第2位數(shù)字為任意數(shù)字，以表達(dá)式“[0-9]{0，1}”匹配，其中表達(dá)式“{0，1}”表示匹配0次或1次，整個(gè)連接起來前面再加上引導(dǎo)字符“-”，就得到匹配整個(gè)種次號(hào)的表達(dá)式“-[1-9] [0-9]{0，1}”。有的索取號(hào)不含有種次號(hào)，要用表達(dá)式用“{0，1}”來限定匹配0次或1次，因此最終的匹配表達(dá)式為“（-[1-9][0-9] {0，1}）{0，1}”。

版次、卷冊(cè)號(hào)的組成與種次號(hào)一致，也是由1至2位數(shù)字組成，第一位數(shù)字不為0，第2位數(shù)字為任意數(shù)字，但引導(dǎo)字符分別為“/”、“:”，把匹配種次號(hào)的表達(dá)式“（-[1-9][0-9]{0，1}）{0，1}”中的引導(dǎo)字符“-”更換為“/”、“:”便得到匹配版次、卷冊(cè)號(hào)的表達(dá)式，分別為“（/[1-9][0-9]{0，1}）{0，1}”、“（:[1-9][0-9]{0，1}）{0，1}”。

將上述表達(dá)式按順序連接起來前后分別加上標(biāo)識(shí)開始和結(jié)尾的字符“^”、“$”便得到完整的匹配索取號(hào)的表達(dá)式如下：

“^（[A-KN-SUVXZ]|T[BDE-NPQSUV]）[0-9.-]{1，20}/[0-9]{4}（-[1-9][0-9]{0，1}）{0，1}（/[1-9][0-9]{0，1}）{0，1}（:[1-9][0-9]{0，1}）{0，1}$”。

5 結(jié)語

圖書館中的館藏?cái)?shù)據(jù)庫每天都要增加大量MARC數(shù)據(jù)，利用正則表達(dá)式的匹配規(guī)則驗(yàn)證MARC數(shù)據(jù)的是否準(zhǔn)確與規(guī)范，是有效控制marc數(shù)據(jù)質(zhì)量，提高審校MARC數(shù)據(jù)效率的一種重要方法。同時(shí)，通過正則表達(dá)式在MARC數(shù)據(jù)質(zhì)量控制中的嘗試，也為正則表達(dá)式在圖書館自動(dòng)化系統(tǒng)中大量非格式化文本的分析和利用提供了許多思路。

[1]王乃紅.圖書館編目數(shù)據(jù)質(zhì)量控制芻議[J].情報(bào)探索，2010（3）:125-127.

[2]正則表達(dá)式[EB/OL].[2013-10-21].http://baike.baidu.com/ view/94238.htm.

[3]馬永平.正則表達(dá)式及其應(yīng)用[J].電腦編程技巧與維護(hù)，2012（04）:13-14，38.

G254.362

A

1671-0037（2014）10-44-3

徐延華（1977.11-），男，碩士研究生，工程師，研究方向：數(shù)字圖書館、移動(dòng)圖書館。

李靜（19179.10-），女，碩士研究生，館員，研究方向：信息咨詢。